Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement

要約

逐次レコメンデーションは、レコメンダー システムの重要な分野の 1 つであり、ユーザーの順序付けされた過去のインタラクティブな行動の分析と予測を通じて、将来に向けてパーソナライズされた推奨アイテムを実現することを目的としています。
しかし、ユーザー数の増加と行動情報の豊富化に伴い、ユーザーのインタラクティブな多目的をどのように理解し、効果的に解きほぐすかが、行動予測や逐次レコメンデーションにも課題をもたらしています。
これらの課題を考慮して、我々は、Multi-Intention Disentanglement (MIDCL) に基づく対照学習逐次推奨方法を提案します。
私たちの研究では、意図は動的かつ多様であると認識されており、ユーザーの行動は多くの場合、現在の複数の意図によって駆動されます。これは、モデルが各ユーザーにとって最も関連性の高い暗黙的な意図を掘り出すだけでなく、無関係な意図からの影響を損なうことも必要であることを意味します。
意図。
したがって、ユーザーの複数の意図のもつれを解くことを実現するために、変分オートエンコーダー (VAE) を選択します。
我々は、最も関連性の高いユーザーのインタラクティブな意図を見つけるためと、正のサンプルペアの相互情報量を最大化するための 2 種類の対照的な学習パラダイムをそれぞれ提案します。
実験結果は、MIDCL が既存のほとんどのベースライン手法よりも大幅に優れているだけでなく、意図に基づく予測と推奨に関する研究に、より解釈しやすい事例をもたらすことを示しています。

要約(オリジナル)

Sequential recommendation is one of the important branches of recommender system, aiming to achieve personalized recommended items for the future through the analysis and prediction of users’ ordered historical interactive behaviors. However, along with the growth of the user volume and the increasingly rich behavioral information, how to understand and disentangle the user’s interactive multi-intention effectively also poses challenges to behavior prediction and sequential recommendation. In light of these challenges, we propose a Contrastive Learning sequential recommendation method based on Multi-Intention Disentanglement (MIDCL). In our work, intentions are recognized as dynamic and diverse, and user behaviors are often driven by current multi-intentions, which means that the model needs to not only mine the most relevant implicit intention for each user, but also impair the influence from irrelevant intentions. Therefore, we choose Variational Auto-Encoder (VAE) to realize the disentanglement of users’ multi-intentions. We propose two types of contrastive learning paradigms for finding the most relevant user’s interactive intention, and maximizing the mutual information of positive sample pairs, respectively. Experimental results show that MIDCL not only has significant superiority over most existing baseline methods, but also brings a more interpretable case to the research about intention-based prediction and recommendation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google