​SIGIR 2024 | 显式且细粒度的建模！属性-观点驱动的细粒度序列推荐

©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

论文标题：

FineRec: Exploring Fine-grained Sequential Recommendation

收录会议：

SIGIR 2024

论文地址：

https://arxiv.org/abs/2404.12975

代码地址：

https://github.com/Zhang-xiaokun/FineRec

给大家分享我们在 SIGIR 2024 上录用的一篇关于序列推荐（sequential recommendation）的论文，论文已在 arXiv 上公开，代码也以上传 github，欢迎大家关注！

Motivation 研究动机

序列推荐（Sequential Recommendation）致力于根据用户的历史行为记录为其提供个性化推荐服务。与传统推荐方法不同，序列推荐专注于处理用户行为的时序特点，即建模用户随时间变化的偏好。这使得序列推荐能够捕获用户变化的兴趣，并据此及时地为用户提供个性化服务。由于具备巨大的实用价值，序列推荐近年来受到学术界和工业界的广泛关注。

现有的序列推荐方法依赖于神经网络来获得商品和用户的嵌入表示，并基于这些嵌入表示之间的相似性，形成个性化推荐列表。大多数工作致力于建模用户的隐式行为，如浏览、点击等交互行为，从用户的隐式行为中捕获用户偏好及商品特征，以提供个性化推荐服务。这些方法应用了多种神经网络架构来建模用户的隐式行为，包括循环神经网络（RNN），注意力机制和图神经网络（GNN）等。

然而，用户的隐式行为通常存在噪声，这降低了这些模型的性能表现。如上图中（a）所示，用户的意外点击形成了噪声，导致模型无法准确地建模用户行为而产生了偏离用户兴趣的推荐结果。

此外，一些方法提出引入用户-商品评论文本来处理序列推荐任务，因为评论文本显式地表达了用户对商品的具体态度。然而，这些方法都将用户-商品评论粗粒度地视为一个整体来建模，忽视了用户在单个评论中可能对商品不同属性存在着不同的观点。如上图中（b）所示，囿于粗粒度地建模一整个评论文本，这些方法无法辨别用户对商品特定属性的细粒度偏好，这极大地限制了它们的有效性。

实际上，在用户-商品评论中，用户以属性-观点对的形式表达其对商品的具体偏好。这些属性-观点对以显式且细粒度的方式揭露了用户偏好并刻画了商品特征，为提高推荐算法的性能提供了新的视角。

如上图中（c）所示，通过分析用户-商品评论中特定的属性-观点对，系统可以向先前表达不喜欢紧身服装的用户推荐宽松的衣服。其中，系统推荐的商品的宽松特点是其他用户对该商品的评价。显然地，这种方式有助于提高推荐系统的性能表现。因此，本文对评论文本中的属性-观点对进行了探索，以此来细粒度地处理序列推荐任务。

Approach提出方法FineRec

本文提出了属性-观点驱动的细粒度序列推荐模型 FineRec，利用用户-商品评论中的属性-观点对来细粒度地处理序列推荐任务。FineRec 的模型图如上图所示，其主要由以下模块组成：

（1）基于大语言模型的属性-观点抽取模块。FineRec 利用具备丰富语言知识的大语言模型（LLM）从用户-商品评论中抽取高质量的属性-观点对。

（2）细粒度表示学习模块。FineRec 通过探索属性-观点对获得细粒度的用户和商品嵌入表示。具体地，FineRec 在每个属性下创建了一个特定属性的用户-观点-商品图，并设计了一种多样性感知的卷积操作在这个图上进行信息聚合，以学习每个属性下细粒度的商品和用户表示。

（3）交互驱动的融合机制。FineRec 利用用户-商品之间的交互信息融合不同属性下的商品及用户嵌入表示，以获得综合的商品和用户嵌入表示。

（4）预测模块，基于学习到的用户和商品表示，FineRec 以细粒度的方式为用户形成个性化推荐列表。

更多模型细节，包括每个数据集下使用的属性列表，请参考我们的代码及论文原文。

Performance 模型表现

FineRec 和所有基线模型在四个真实数据集下的表现如上表所示。由表可知，FineRec 在所有数据集的所有评价指标上均大幅优于所有基线方法， 这证明了  FineRec 在序列推荐任务上的有效性。

我们认为 FineRec 相较于当前最先进方法的一致的优越表现源自于其细粒度处理序列推荐任务的方式。通过利用属性-观点对来细粒度地表示用户和商品，FineRec 能够识别各种属性上的细粒度用户偏好和商品特征。这种方式极大地增强了模型对用户意图的理解，进而显著地提高了模型对用户行为预测的准确度。

更多实验结果及分析请参考我们的论文原文。

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：hr@paperweekly.site 

• 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

·

·

·