Apr, 2024

基于多意图解耦的序列推荐对比学习方法

PDF
TL;DR我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。
sequential recommendationrecommender systemmulti-intention disentanglementcontrastive learningintention-based prediction
发现论文，激发创造
  • 序列推荐的意图对比学习

    介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

    Feb, 2022

  • 序列推荐的对比学习

    提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

    Oct, 2020

  • 多意图对比学习的知识感知多行为推荐

    多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比学习方案缓解数据稀缺问题，进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。

    Apr, 2024

  • 基于端到端学习的推荐意图聚类

    通过 ELCRec 方法，我们将表示学习与聚类优化相结合，实现了推荐中端到端可学习的聚类框架，提高了推荐性能并克服了现有方法中的挑战。

    Jan, 2024

  • 基于双向 Transformer 的对比学习用于序列推荐

    本文提出了一种新框架，使用双向 Transformer 进行对比学习，针对顺序推荐中用户行为不是严格的从左到右顺序这一问题进行改进，同时采用滑动窗口技术，结合 Cloze 任务掩码和 Dropout 掩码来生成高质量正样本，并进行多对比学习，通过实验结果表明，相较于传统单一对比学习，该框架表现更优越。

    Aug, 2022

  • Preference or Intent? 双重解耦协同过滤

    本文提出了一种名为 DDCF 的双重分离协作过滤方法，通过分离意图和偏好的影响因素，构建独立的偏好表示，以提高个性化推荐性能的鲁棒性和可解释性。实验表明，DDCF 显著提高了性能和解释能力。

    May, 2023

  • 具有行为多样性的对比元学习推荐

    该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。

    Feb, 2022

  • 社交推荐的解耦对比学习

    本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

    Aug, 2022

  • 强化学习增强的对比模型用于顺序推荐

    通过提出一种名为模型增强对比强化学习（MCRL）的新型强化学习推荐器，我们解决了离线数据集的稀疏性以及负反馈无法获取的问题，并通过对比学习来优化奖励函数和状态转移函数，实验结果表明该方法在两个现实世界数据集上显著优于现有的离线强化学习和自监督强化学习方法。

    Oct, 2023

  • 为推荐学习分离表示

    研究复杂的推荐系统中的用户行为数据所涉及到的潜在因素，提出了基于 VAE 的 “MACRo-mIcro Disentangled Variational Auto-Encoder” 的方法，该方法通过对高级概念和低级因素的分离，可以实现更好的推荐系统性能和更好的用户体验。

    Oct, 2019