| 金佳琪* **,张梦菲***,潘 茂* **,褚志海****,方金云*.基于用户意图消歧的解离协同过滤算法[J].高技术通讯(中文),2023,33(5):479~488 |
| 基于用户意图消歧的解离协同过滤算法 |
| Debiased user intent-aware collaborative filtering |
| |
| DOI：10. 3772/ j. issn. 1002-0470. 2023. 05. 004 |
| 中文关键词: 去偏差; 推荐系统; 图神经网络(GNN); 图池化; 协同过滤(CF) |
| 英文关键词: debias, recommender system, graph neural network (GNN), graph pooling, collaborative filtering(CF) |
| 基金项目: |
| 作者 | 单位 | | 金佳琪* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029)
(????中国雄安集团有限公司 北京071700) | | 张梦菲*** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029)
(????中国雄安集团有限公司 北京071700) | | 潘 茂* ** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029)
(????中国雄安集团有限公司 北京071700) | | 褚志海**** | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029)
(????中国雄安集团有限公司 北京071700) | | 方金云* | (?中国科学院计算技术研究所 北京100190)
(??中国科学院大学 北京100190)
(???国家计算机网络应急技术处理协调中心 北京100029)
(????中国雄安集团有限公司 北京071700) |
|
| 摘要点击次数: 879 |
| 全文下载次数: 973 |
| 中文摘要: |
| 协同过滤(CF)是推荐算法中一个重要的研究方向,近期的工作表明CF 可以有效地挖掘用户-物品交互背后的潜在意图来精细化建模用户和物品的表示,从而服务下游的推荐任务。然而,本文认为现有的工作没有很好地解决用户-物品交互无偏化问题,它们一般根据假定的而非显式建模的意图生成用户和物品的解离表示。对此,本文提出了一个新的无偏差解离协同过滤(DebiasedCF) 推荐框架,该框架利用用户的个人历史来提取其潜在意图,用于表示学习。具体地说,首先利用意图提取模块对用户意图进行显式建模;然后分别对各意图子图进行无偏化;再执行嵌入传播,从而为每个意图生成相应的解离表示;最后设计了一个意图嵌入聚合层来进一步融合在不同意图子图中学得的解离表示。实证结果表明,本文的框架能够在最先进的基线方法基础上取得实质性的改进。进一步的分析验证了提取的用户意图在去偏差和用户-物品表示建模方面的优势。 |
| 英文摘要: |
| The latest advances in collaborative filtering(CF) show the effectiveness of exploring the latent intents behind user-item interactions, which can benefit the representation learning of users and items in recommender systems.Nevertheless, this work argues that existing work has not sufficiently exploited user intents to disentangle the useritem interactions graph. More specifically, they largely generate disentangled representation for the presumed intents,rather than the explicitly modeled user intents. In this work, a new debiased intent-aware collaborative filtering(DebiasedCF) framework is proposed, which exploits users’ personal history to distill their latent intents for representation learning. Specifically, an intent distilling module is utilized to model user intents, then the intent bias is respectively eliminated and intent-aware embedding propagation is performed to generate disentangled representations for each intent. Finally, an intent-aware aggregation layer is designed to further fuse the disentangled representations learned under different intents. Empirical results demonstrate that the proposed framework can achieve substantial improvement over the state-of-the-art baselines. Further analyses validate the benefits of the distilled user intents in debiasing user-item interactions and aggregating disentangled representations. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
|
|
|
