基于语言增强的解耦对比学习的会话推荐
摘要：基于会话的推荐技术旨在通过分析过去的交互来捕捉动态用户行为。然而，现有方法严重依赖于历史商品ID序列来提取用户偏好，从而面临流行偏差和冷启动问题等挑战。在本文中，我们提出了一种混合多模态方法来解决会话推荐中的这些挑战。我们的方法结合了不同的模态，包括文本内容和商品ID，并利用CatBoost利用这些模态的互补性质。为了学习通用的商品表示，我们设计了一种基于语言表示的商品检索架构，利用预训练语言模型从文本内容中提取特征。此外，我们引入了一种新的解耦对比学习方法来增强语言表示的效果。这种技术通过双队列对比学习解耦了序列表示和商品表示空间，促进了双向对齐。同时，动量队列提供了大量的负样本，有效提高了对比学习的效果。我们的方法取得了有竞争力的结果，在KDD CUP 2023任务1中排名第5。我们已发布了与这项工作相关的源代码和预训练模型。
作者：Zhipeng Zhang, Piao Tong, Yingwei Ma, Qiao Liu, Xujiang Liu, Xu Luo
论文ID：2307.10650
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-21