通过Atten-Mixer网络高效利用多级用户意图实现基于会话的推荐
摘要：会话导向推荐（Session-based recommendation，SBR）旨在基于短期和动态的会话来预测用户的下一步行为。最近，越来越多的研究学者开始利用各种精心设计的图神经网络（Graph Neural Networks，GNNs）来捕捉物品之间的成对关系，似乎表明设计更复杂的模型可以改善实证表现。然而，这些模型在模型复杂度呈指数增长的同时，仅仅取得了相对较小的改进。在本文中，我们对经典的基于GNN的SBR模型进行了详细分析，并发现一些复杂的GNN传播方式是多余的，因为读取模块在GNN模型中起到了重要作用。基于这一观察，我们提出在模型推理过程中去掉GNN传播部分的直观思路，而读取模块将承担更多的责任。为此，我们提出了多级注意力混合网络（Atten-Mixer），利用概念视图和实例视图读取模块实现对物品转换的多级推理。由于简单地列举所有可能的高级概念对于大规模真实世界的推荐系统来说是不可行的，我们进一步引入与SBR相关的归纳偏差，即局部不变性和固有优先性，来减少搜索空间。在三个基准测试上的实验证明了我们方法的有效性和效率。我们还从2021年4月起将该方法应用于大规模的电子商务在线服务，通过在线实验中的实时流量展示了头部业务指标的显著改善。
作者：Peiyan Zhang, Jiayan Guo, Chaozhuo Li, Yueqi Xie, Jaeboum Kim, Yan Zhang, Xing Xie, Haohan Wang and Sunghun Kim
论文ID：2206.12781
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-18