End-to-end Learnable Clustering for Intent Learning in Recommendation

要約

マイニングユーザーの意図は、逐次レコメンデーションにおいて重要な役割を果たします。
最近のアプローチである ICLRec は、対照学習とクラスタリングを使用して、根底にあるユーザーの意図を抽出するために導入されました。
有効性は示されていますが、既存の方法には複雑で面倒な最適化が交互に行われるという問題があり、2 つの主要な問題が生じています。
まず、一般化された期待値最大化 (EM) フレームワーク内で表現学習とクラスタリングの最適化を分離すると、最適なパフォーマンスが得られないことがよくあります。
次に、データセット全体でクラスタリングを実行すると、大規模な業界データのスケーラビリティが妨げられます。
これらの課題に対処するために、私たちは \underline{ELCRec} と呼ばれる新しいインテント学習方法を提案します。これは、\underline{E}エンドツーエンドで \underline{L}獲得可能な \underline{C} 光沢フレームワークに表現学習を統合します。
推奨事項に下線を付けます。
具体的には、ユーザーの行動シーケンスをエンコードし、学習可能なネットワーク パラメーターとしてクラスター センターを初期化します。
さらに、ネットワークが異なるクラスター中心を区別し、同様のサンプルをそれぞれのクラスター中心に引き寄せるように導くクラスタリング損失を設計します。
これにより、ミニバッチ データを使用したレコメンデーションとクラスタリングの同時最適化が可能になります。
さらに、学習したクラスター中心を表現学習の自己監視信号として利用することで、レコメンデーションのパフォーマンスがさらに向上します。
オープンベンチマークと業界データに対して行われた広範な実験により、私たちが提案する ELCRec 手法の優位性、有効性、効率性が検証されています。
コードは https://github.com/yueliu1999/ELCRec で入手できます。

要約(オリジナル)

Mining users’ intents plays a crucial role in sequential recommendation. The recent approach, ICLRec, was introduced to extract underlying users’ intents using contrastive learning and clustering. While it has shown effectiveness, the existing method suffers from complex and cumbersome alternating optimization, leading to two main issues. Firstly, the separation of representation learning and clustering optimization within a generalized expectation maximization (EM) framework often results in sub-optimal performance. Secondly, performing clustering on the entire dataset hampers scalability for large-scale industry data. To address these challenges, we propose a novel intent learning method called \underline{ELCRec}, which integrates representation learning into an \underline{E}nd-to-end \underline{L}earnable \underline{C}lustering framework for \underline{Rec}ommendation. Specifically, we encode users’ behavior sequences and initialize the cluster centers as learnable network parameters. Additionally, we design a clustering loss that guides the networks to differentiate between different cluster centers and pull similar samples towards their respective cluster centers. This allows simultaneous optimization of recommendation and clustering using mini-batch data. Moreover, we leverage the learned cluster centers as self-supervision signals for representation learning, resulting in further enhancement of recommendation performance. Extensive experiments conducted on open benchmarks and industry data validate the superiority, effectiveness, and efficiency of our proposed ELCRec method. Code is available at: https://github.com/yueliu1999/ELCRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google