Sparse-Interest Network on Sequential Recommendation at WSDM2021

摘要

在顺序推荐领域的最新研究中，重点在于从用户行为序列中提取下一个推荐项目的整体嵌入表示。然而，通过实际分析发现，用户的行为序列往往包含多个在概念上差异较大的项目，而统一的嵌入向量主要受到用户近期频繁操作的影响。因此，当与当前交互中相似概念的项目不占主导时，难以准确推断出用户的下一个偏好项目。针对这一问题，一种替代性方案是采用多个嵌入向量来表达用户的多种意图维度。然而，目前关于多兴趣嵌入的研究大多基于聚类方法识别出少量的概念类别，这可能难以匹配真实系统中所涉及的大量项目类型。对大量不同概念原型进行有效建模是一项具有挑战性的任务，因为项目在概念层面通常难以按照细粒度进行聚类划分。同时，用户通常仅与一小部分稀疏的概念产生互动。鉴于上述问题，我们提出了一种新颖的稀疏兴趣网络（SINE），用于顺序推荐任务。该模型中的稀疏兴趣模块能够从大规模的概念库中为每个用户自适应地推断出一组稀疏的概念，并据此生成多个对应的嵌入表示。基于这些多兴趣嵌入向量，我们将构建一个兴趣聚合模块以主动识别用户的当前意图，并利用该模块对多个兴趣进行显式建模以完成下一项预测任务。在多个公开基准数据集以及一个大型工业数据集上的实验结果表明，SINE相比现有最先进的方法取得了显著的性能提升。

![在这里插入图片描述](https://ad.itadn.com/c/weblog/blog-img/image