©PaperWeekly 原创 · 作者 | 韦玮
单位 | 香港大学
研究方向 | 推荐系统
论文标题:
Contrastive Meta Learning with Behavior Multiplicity for Recommendation
论文来源:
WSDM 2022
论文链接:
https://arxiv.org/pdf/2202.08523.pdf
代码链接:
https://github.com/weiwei1206/CML.git
Data Intelligence Lab主页:
https://sites.google.com/view/chaoh
研究背景
在各类的用户平台推荐系统中,user 通常与 item 以各种的方式进行交互(比如:浏览,收藏,加入购物车,以及购买)。当前大部分推荐模型往往专注于对 user 和 item 间单一的交互行为进行建模,从而忽略了推荐场景中多行为的交互数据。考虑到多行为推荐场景中,用户的目标行为(比如购买行为)往往是较为稀疏的,通过有效地设计学习范式将多行为中的辅助行为中有用的信息迁移到目标行为的预测中,一定程度上可以有效地缓解数据的稀疏问题。
与此同时,在进行多行为用户建模时,多行为的交互模式往往是因人而异的,即不同的用户有基于不同行为的偏好。因此在设计多行为推荐系统时,需要实现不同用户个性化的多行为关系建模,从而更好地进行用户和商品的表征学习。
模型方法
2.1 多行为用户数据表示
数据集有用户集合 和物品集合 ,它们之间的交互构成邻接矩阵 , 表示 user 和 item 之间针对第 k 中行为存在交互。数据集有多个行为(总数为 K)。基于用户和商品的交互图,模型输入多行为的邻接矩阵 ,输出 user 和 item的 embedding 用于最