Knowledge Enhancement for Contrastive Multi-Behavior Recommendation

要約

よく設計されたレコメンデーションシステムは、ユーザーとアイテムの属性を正確に捉え、個人のユニークな嗜好を反映させることができます。従来の推薦技術は、通常、ユーザーとアイテムの間の単一タイプの行動をモデル化することに焦点を当てている。しかし、ソーシャルメディアや電子商取引など、実用的な推薦シナリオの多くでは、オンラインショッピングプラットフォームにおけるクリック、お気に入りタグ付け、購入など、ユーザーとアイテムの関係において複数種類のインタラクティブな行動が存在する。このように、複数の行動情報をいかに推薦に活用するかは、既存のシステムにとって非常に重要であり、(1) ユーザーの個人的な好みを活用して複数の行動の依存関係を捉える、(2) 対象行動の監視信号が疎であるために生じる推薦不足への対処、という2つの側面から検討する必要がある課題を抱えている。本研究では、上記の課題に取り組むために、2つの対照学習タスクと3つの機能モジュールを含む知識強化型複数行動対照学習レコメンデーション（KMCLR）フレームワークをそれぞれ提案する。特に、マルチ行動学習モジュールを設計し、ユーザー埋め込み強化のためにユーザーのパーソナライズされた行動情報を抽出し、知識強化モジュールで知識グラフを利用し、アイテムに対してよりロバストな知識認識表現を導出します。さらに、最適化段階では、ユーザの複数行動間の粗視化された共通点と細視化された差異をモデル化し、推薦効果をさらに向上させる。3つの実世界データセットを用いた広範な実験とアブレーションテストにより、我々のKMCLRが様々な最新鋭の推薦手法を凌駕し、本手法の有効性を検証している。

要約(オリジナル)

A well-designed recommender system can accurately capture the attributes of users and items, reflecting the unique preferences of individuals. Traditional recommendation techniques usually focus on modeling the singular type of behaviors between users and items. However, in many practical recommendation scenarios (e.g., social media, e-commerce), there exist multi-typed interactive behaviors in user-item relationships, such as click, tag-as-favorite, and purchase in online shopping platforms. Thus, how to make full use of multi-behavior information for recommendation is of great importance to the existing system, which presents challenges in two aspects that need to be explored: (1) Utilizing users’ personalized preferences to capture multi-behavioral dependencies; (2) Dealing with the insufficient recommendation caused by sparse supervision signal for target behavior. In this work, we propose a Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation (KMCLR) framework, including two Contrastive Learning tasks and three functional modules to tackle the above challenges, respectively. In particular, we design the multi-behavior learning module to extract users’ personalized behavior information for user-embedding enhancement, and utilize knowledge graph in the knowledge enhancement module to derive more robust knowledge-aware representations for items. In addition, in the optimization stage, we model the coarse-grained commonalities and the fine-grained differences between multi-behavior of users to further improve the recommendation effect. Extensive experiments and ablation tests on the three real-world datasets indicate our KMCLR outperforms various state-of-the-art recommendation methods and verify the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL