扩散推荐模型
摘要：生成模型，如生成对抗网络（GANs）和变分自编码器（VAEs），被广泛用于建模用户交互的生成过程。然而，这些生成模型存在内在局限性，如GANs的不稳定性和VAEs的受限表示能力。这些限制阻碍了准确建模复杂用户交互生成过程的能力，如多种干扰因素引起的嘈杂交互。鉴于扩散模型（DMs）在图像合成方面相对传统生成模型的优势，我们提出了一种新颖的扩散推荐模型（称为DiffRec），以一种去噪的方式学习生成过程。为了保留用户交互的个性化信息，DiffRec减少了添加的噪声，避免了将用户交互破坏为纯噪声，类似于图像合成。此外，我们扩展了传统DMs来解决实际推荐系统中的独特挑战：大规模物品预测的高资源成本和用户偏好的时间移位。为此，我们提出了DiffRec的两个扩展：L-DiffRec对物品进行维度压缩的聚类，并在潜空间中进行扩散过程；T-DiffRec根据交互时间戳重新加权用户交互以编码时间信息。我们在三个数据集上进行了广泛的实验，包括多个设置（如干净训练、嘈杂训练和时间训练）。实证结果和深入分析验证了DiffRec及其两个扩展在竞争基线上的优越性。
作者：Wenjie Wang, Yiyan Xu, Fuli Feng, Xinyu Lin, Xiangnan He, Tat-Seng Chua
论文ID：2304.04971
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-04-18