SIGIR 2024 | 共现关系还是细粒度偏好?ID和模态信息解耦的会话推荐
©PaperWeekly 原创 · 作者 | 张晓堃
单位 | 大连理工大学·信息检索研究室
研究方向 | 推荐系统
论文题目:
Disentangling ID and Modality Effects for Session-based Recommendation
https://arxiv.org/abs/2404.12969
https://github.com/Zhang-xiaokun/DIMO
会话推荐 (Session-based Recommendation) 旨在根据匿名用户在短期内的行为,预测其兴趣偏好,进而为其提供个性化推荐服务。早期大部分工作致力于利用多种神经网络结构来建模商品 ID 的共现关系,并以此给用户提供个性化建议。采用的神经网络结构包括循环神经网络 (RNN)、注意力机制以及图神经网络 (GNN) 等。
最近部分研究则将商品模态信息纳入模型,以增强模型对用户意图的理解,包括商品的描述文本、商品图片、商品类别以及商品价格等。模态信息的引入使得模型能够从多个角度捕捉用户偏好, 进而提高了模型的表现,并可以缓解会话推荐系统天然存在的数据稀疏问题。然而,本文研究发现,商品 ID 和模态信息蕴含着完全不同的推荐逻辑,即商品 ID 信息反映商品间的共现关系,而商品模态信息则体现用户的细粒度偏好。
一方面,商品的 ID 仅仅是一个符号标识符,其无法表示具体的商品特征,而只是从统计的角度反映了所有用户-商品交互中的商品共现关系。具体地,如上图左侧所示,ID 的共现模式表明了推荐系统中的一个基本逻辑:如果商品 x1和 x2 经常被一起购买,那么在用户与 x1 交互后,推荐系统则可以根据商品间的共现关系向其推荐 x2。
另一方面,商品的模态信息则体现了用户的细粒度偏好。商品的模态信息,如文本和图片,可以描述商品的具体特征,比如服装的风格和颜色。如上图中右侧所示,在分析用户购买商品的图片后,系统可以推断出这位用户是一个漫威迷。据此,推荐系统可以给这位用户推荐漫威联名款的杯子(即使 T 恤和杯子很少被一起购买)。
显然,这种推荐模式有助于提高推荐系统的表现。这也突显了推荐系统的另一个推荐逻辑:从商品模态信息中可以推断出用户的细粒度偏好,依据这种细粒度的偏好,推荐系统可以向用户推荐具有相似属性的商品。
由此可见,商品的 ID 和模态信息在推荐系统预测用户行为时代表着完全不同的逻辑。然而,现有的方法往往将 ID 和模态信息的嵌入表示不加区分地混合在一起,混淆了这两种截然不同的推荐逻辑。这种操作无法探究用户行为背后的基本原因,导致对应的推荐模型无法准确地对用户行为进行预测,也无法对其产生的推荐结果进行解释说明。因此,本文对 ID 和模态信息进行了解耦,以同时提高推荐系统的准确度和可解释性。
提出模型DIMO
模型表现
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
微信扫码关注该文公众号作者