多行为推荐与级联图卷积网络
摘要：多行为推荐：一种利用辅助行为（如点击和购物车）来帮助预测用户在目标行为（如购买）上的潜在互动的方法，被认为是缓解推荐中数据稀疏性或冷启动问题的有效方式。多个行为通常在实际应用中以特定顺序进行（如点击>购物车>购买）。在行为链中，后续行为通常比前一个行为显示出更强烈的用户倾向信号。大多数现有的多行为模型无法捕捉嵌入学习中行为链中的此类依赖关系。在这项工作中，我们提出了一种新颖的多行为推荐模型，采用级联图卷积网络（称为MB-CGCN）。在MB-CGCN中，从一个行为中学习到的嵌入用作特征变换操作后下一个行为嵌入学习的输入特征。通过这种方式，我们的模型在嵌入学习中明确利用行为依赖关系。在两个基准数据集上的实验证明了我们的模型对利用多行为数据的有效性。在Recall@10和NDCG@10两个指标上，相对于最佳基准模型，我们的模型平均分别提高了33.7\%和35.9\%。
作者：Zhiyong Cheng and Sai Han and Fan Liu and Lei Zhu and Zan Gao and Yuxin Peng
论文ID：2303.15720
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-29