去噪自增强学习用于社交推荐
摘要：社交推荐是各种在线应用程序中越来越受关注的领域，包括电子商务和在线流媒体，其中社交信息被利用来改进用户-物品交互建模。最近，自监督学习（SSL）通过增强学习任务在解决数据稀疏性方面证明了其非常有效的能力。受此启发，研究人员试图将SSL纳入社交推荐中，通过在主要的监督任务中补充社交感知的自监督信号。然而，由于普遍存在的与兴趣无关的社交连接（如同事或同学）而引起的社交信息在描述用户偏好时可能会产生噪声。为了解决这一挑战，我们提出了一种新颖的社交推荐器，称为去噪自增强学习（DSL）范式。我们的模型不仅保留有用的社交关系以增强用户-物品交互建模，还通过嵌入空间中的自适应语义对齐实现个性化的交叉视角知识传递。我们在各种推荐基准上的实验结果证实了我们的DSL相对于最先进的方法的优越性。我们在https://github.com/HKUDS/DSL上发布了我们的模型实现。
作者：Tianle Wang, Lianghao Xia, Chao Huang
论文ID：2305.12685
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-05-23