面向推荐的动态大众感知对比学习

林方泉、魏江、张继海、程阳
第十三届亚洲机器学习会议论文集，PMLR 157:964-9682021年。

摘要

随着深度学习技术的发展，对比表征学习在大规模推荐系统中得到了越来越多的应用。例如，深度用户-项目匹配模型可以通过对比正面和负面示例以及学习区分性用户和项目表示来训练。尽管它们取得了成功，但在现有的建模中，推荐系统的可区分特性往往被忽略。标准方法以类似于语言模型的方式近似于用户行为数据的最大似然估计。具体地说，模型优化的方法对应于近似用户-项目的逐点互信息，这可以被视为消除了全局项目流行度对用户行为的影响，以捕获内在的用户偏好。此外，与语言模型中词频相对稳定的情况不同，项目的受欢迎程度在不断发展。为了解决这些问题，我们提出了一种新的动态流行感知（DPA）对比学习推荐方法，该方法由两个关键部分组成：i）使用动态负采样策略来增强用户表示，ii）实时项目流行采用动态预测恢复。所提出的策略可以自然地覆盖在任何基于对比学习的匹配模型上，以更准确地捕捉用户兴趣和系统动态。最后，通过对阿里巴巴集团电子商务场景的综合实验，验证了该策略的有效性。

引用本文

BibTeX公司
@诉讼中{pmlr-v157-lin21b，title={推荐的动态大众意识对比学习}，作者={Lin、Fangquan和Jiang、Wei和Zhang、Jihai和Yang、Cheng}，booktitle={第13届亚洲机器学习会议论文集}，页数={964--968}，年份={2021}，editor={Balasubramanian，Vineeth N.和Tsang，Ivor}，体积={157}，series={机器学习研究论文集}，月={11月17日--19日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v157/lin21b/lin21b.pdf},url={https://proceedings.mlr.press/v157/lin21b.html},抽象={随着深度学习技术的发展，对比表征学习在大规模推荐系统中得到了越来越多的应用。例如，深度用户-项目匹配模型可以通过对比正面和负面示例以及学习区分用户和项目表征来训练在现有的建模中，推荐系统的不可区分特性常常被忽略。标准方法以类似于语言模型的方式近似于用户行为数据的最大似然估计。具体地说，模型优化的方法对应于近似用户-项目的逐点互信息，这可以被视为消除了全局项目流行度对用户行为的影响，以捕获内在的用户偏好。此外，与语言模型中词频相对稳定的情况不同，项目的受欢迎程度在不断发展。为了解决这些问题，我们提出了一种新的动态流行感知（DPA）对比学习推荐方法，该方法由两个关键部分组成：i）使用动态负采样策略来增强用户表示，ii）实时项目流行采用动态预测恢复。提出的策略可以自然地覆盖在任何基于对比学习的匹配模型上，以更准确地捕获用户兴趣和系统动态。最后，通过阿里巴巴集团电子商务场景的综合实验，验证了所提出策略的有效性}
尾注
%0会议论文%T动态大众感知对比学习推荐%林方泉%A魏江%张继海%A程杨%B第13届亚洲机器学习大会论文集%C机器学习研究进展%D 2021年%E Vineeth N.Balasubramanian公司%E Ivor Tsang先生%F pmlr-v157-lin21b型%我PMLR%电话964--968%U型https://proceedings.mlr.press/v157/lin21b.html%第157页%随着深度学习技术的发展，对比表征学习在大规模推荐系统中的应用越来越多。例如，深度用户-项目匹配模型可以通过对比正面和负面示例以及学习区分性用户和项目表示来训练。尽管它们取得了成功，但在现有的建模中，推荐系统的可区分特性往往被忽略。标准方法以类似于语言模型的方式近似于用户行为数据的最大似然估计。具体地说，模型优化的方法对应于近似用户-项目的逐点互信息，这可以被视为消除了全局项目流行度对用户行为的影响，以捕获内在的用户偏好。此外，与语言模型中词频相对稳定的情况不同，项目的受欢迎程度在不断发展。为了解决这些问题，我们提出了一种新的动态流行感知（DPA）对比学习推荐方法，该方法由两个关键部分组成：i）使用动态负采样策略来增强用户表示，ii）实时项目流行采用动态预测恢复。提出的策略可以自然地覆盖在任何基于对比学习的匹配模型上，以更准确地捕获用户兴趣和系统动态。最后，通过对阿里巴巴集团电子商务场景的综合实验，验证了该策略的有效性。
亚太地区
Lin，F.，Jiang，W.，Zhang，J.&Yang，C.（2021）。推荐的动态大众意识对比学习。第十三届亚洲机器学习会议论文集，英寸机器学习研究进展157:964-968网址：https://proceedings.mlr.press/v157/lin21b.html。

相关材料