面向会话推荐的双粒度对比学习
摘要：会话型推荐系统（SBRS）更适用于当前的电子商务和流媒体推荐场景，因此成为一个热门话题。SBRS遇到的数据通常非常稀疏，这也是限制推荐准确性的瓶颈之一。因此，对比学习（CL）被应用于SBRS，因为它能够在稀疏数据的条件下改进嵌入学习能力。然而，现有的CL策略在强制执行更细粒度（例如，因素级）比较方面有限，并且因此无法捕捉到实例之间的细微差异。而且，这些策略通常使用物品或段落删除作为数据增强的手段，这可能导致数据更加稀疏，从而使自监督信号失效。通过解决上述两个限制，我们引入了一种新颖的多粒度CL框架。具体来说，我们构建了两个额外的具有不同粒度的增强嵌入卷积通道，并将其学习到的嵌入与从原始视图学习到的嵌入进行比较，完成CL任务。在因素级别上，我们采用解缠绕表示学习来获得更细粒度的数据（例如，因素级别嵌入），通过它们可以构建因素级卷积通道。在物品级别上，采取星形图作为增强数据，并且对其进行图卷积可以确保自监督信号的有效性。将这两个视图的学习到的嵌入与基本视图的学习到的嵌入进行比较，实现两个粒度的CL。最后，引用获得的更精确的物品级别和因素级别嵌入来为用户生成个性化推荐。通过在两个基准数据集上进行大量实验证实了所提出的模型，展示了与现有方法相比的优越性能。
作者：Zihan Wang and Gang Wu and Haotong Wang
论文ID：2304.08873
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-31