基于并行知识增强的多行为推荐框架
摘要：多行为推荐算法旨在利用用户和物品之间的多重交互来学习用户的潜在偏好。最近的多行为推荐框架包含两个步骤：融合和预测。在融合步骤中，使用先进的神经网络来建模用户行为之间的层次相关性。在预测步骤中，利用多个信号来联合优化模型，采用多任务学习（MTL）范式。然而，最近的方法没有解决融合步骤中不均衡数据分布所引起的问题，导致学习到的关系被高频行为所主导。在预测步骤中，现有方法使用门机制直接聚合通过耦合输入生成的专家信息，导致负信息传递。为了解决这些问题，我们提出了一种用于多行为推荐的并行知识增强框架（PKEF）。具体来说，在融合步骤中，我们使用并行知识（PKF）增强层次信息传播。同时，在预测步骤中，我们解耦表示生成专家信息，并引入投影机制来消除梯度冲突和减轻负转移（PME）。我们在三个真实世界数据集上进行了综合实验证明了我们模型的有效性。结果进一步证明了设计的PKF和PME模块的合理性和有效性。源代码和数据集可以在https://github.com/MC-CV/PKEF中获得。
作者：Chang Meng, Chenhao Zhai, Yu Yang, Hengyu Zhang and Xiu Li
论文ID：2308.04807
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-10