SIGIR'22 推荐系统论文之序列推荐(短文)篇

枫桦

发布于 2022-08-02 14:31:41

7540

发布于 2022-08-02 14:31:41

文章被收录于专栏：AI算法札记AI算法札记

SIGIR 2022已公布录用论文，投稿长文794篇/短文667篇，录用长文161篇/短文165篇，录用率长文20%/短文24.7%，完整录用论文列表见

https://sigir.org/sigir2022/program/accepted/。

在《SIGIR'22 推荐系统论文之序列推荐(长文)篇》中已对Long Paper进行解读，本文选择序列推荐方向的Short Papers进行解读，短文整体质量较低，还有多篇未公开，不过可以学习一下其中的算法思想。

论文解读

2.1 Progressive Self-Attention Network with Unsymmetrical Positional Encoding for Sequential Recommendation

论文链接: 无

代码链接: https://github.com/YuehuaZhu/PAUP (只有ReadMe)

论文机构: 西电

论文分类: 序列推荐、自注意力

论文总结: 在本文中，要逐步提取一系列用户的本地顺序模式。

作者提出了一个基于卷积的新型的自注意力网络，即PAUP

2.2 Is News Recommendation a Sequential Recommendation Task?

论文链接: https://arxiv.org/abs/2108.08984

论文机构: 清华、MSRA

论文分类: 序列推荐、新闻推荐

论文总结: 新闻推荐通常被建模为序列推荐任务，它假设对历史点击新闻有丰富的短期依赖性。然而，在新闻推荐场景中，用户通常对新闻信息的时间多样性有强烈的偏好，可能不会倾向于连续点击相似的新闻，这与电商推荐等许多序列推荐场景有很大不同。常见的序列新闻推荐框架如图所示：

在本文中，作者研究是否可以将新闻推荐视为标准的序列推荐问题，通过对两个真实世界数据集的广泛实验，作者发现将新闻推荐建模为序列推荐问题并不是最理想的。为了应对这一挑战，作者进一步提出了一种时间多样性感知 (temporal diversity-aware)新闻推荐方法，名为 TempRec，它可以考虑新闻推荐的时间多样性性质，从而做出更准确的推荐结果。TempRec 的架构如图所示。TempRec中有两个与顺序无关的 Transformer：其中一个用于处理整个点击的新闻序列，旨在捕捉全局的用户兴趣；另一个用于处理最近的 K 条新闻点击，旨在捕捉最近的用户兴趣。该方法可以推广与最近点击的新闻不同的候选新闻，这有助于更准确地预测未来的点击。实验表明，该方法可以持续改进各种新闻推荐方法。

2.3 Coarse-to-Fine Sparse Sequential Recommendation

论文链接: https://arxiv.org/abs/2204.01839

论文机构: 加州大学圣地亚哥分校、亚马逊

论文分类: 序列推荐、意图预测

论文总结: 序列推荐旨在从历史交互中对动态的用户行为进行建模。自注意力方法已被证明在捕捉短期动态和长期偏好方面是有效的，但这些方法仍然难以对稀疏数据进行建模，以学习高质量的商品表示。作者提出同时从购物意图和交互商品中对用户动态进行建模。学习到的意图是粗粒度的，可以作为商品推荐的先验知识。为此，本文提出了一个从粗到细的自注意力框架 (coarse-to-fine self-attention framework)，即 CaFe，它显式地学习了粗粒度和细粒度的序列动态。具体来说，CaFe 首先从密集的粗粒度序列中学习意图，从而提供高质量的用户意图表示；然后，CaFe 将意图表示融合到商品编码器输出中，以获得改进的商品表示；最后，根据物品的表示和相应的意图推断推荐的物品。在稀疏数据集上的实验表明，CaFe 的性能在NDCG@5指标平均优于最先进的自注意力推荐系统 44.03% 。

对于意图序列，使用Intent Encoder捕获用户的粗粒兴趣动态；

对于商品序列，使用Item Encoder提取用户的细粒度兴趣。

在预测层，同时预测下一个意图和商品。

2.4 ELECRec: Training Sequential Recommenders as Discriminators

论文链接: https://arxiv.org/abs/2204.02011

代码链接:

https://github.com/YChen1993/ELECRec

论文机构: Salesforce研究院

论文分类: 序列推荐、判别模型

论文总结: 序列推荐通常被认为是一项生成任务，即训练一个序列编码器以根据用户的历史交互项目生成用户感兴趣的下一个项目。然而，这些方法通常需要使用更有意义的样本进行训练才能有效，否则会导致模型训练不佳。在这项工作中，作者提出将序列推荐器训练为鉴别器而不是生成器，其方法不是预测下一个项目，而是训练一个鉴别器来区分采样项目是否是“真实”目标项目；生成器作为辅助模型，与判别器共同训练，以采样合理的替代下一个项目，并在训练后被丢弃。训练好的鉴别器被认为是最终的序列推荐模型，并表示为ELECRec(Eficiently Learning an Encoder as a disCriminater for sequential Recommendation)。在四个数据集上进行的实验证明了所提出方法的有效性和效率。

生成器的作用是生成合理的下一个商品，以证明判别器的判别能力。

对于给定的序列，数据采样器从生成器中采样一定比例的商品以替换原始的目标商品。

对于给定的输入序列，判别器旨在预测是“真实”还是“假”目标商品。

2.5 Exploiting Session Information in BERT-based Session-aware Sequential Recommendation

论文链接: https://arxiv.org/abs/2204.10851

代码链接: https://github.com/theeluwin/session-aware-bert4rec

论文机构: 首尔大学

论文分类: 序列推荐

论文总结: 在推荐系统中，利用用户交互历史作为序列信息已经带来了很大的性能提升。然而，许多在线服务中，用户交互通常按可能共享偏好的会话进行分组，这需要不同于普通序列表示的方法。尽管具有层次结构或各种视角的序列表示模型已被提出，但它们具有相当复杂的网络结构。本文提出了三种通过利用会话信息来提高推荐性能的方法，同时最小化基于 BERT 的序列推荐模型中的附加参数：使用session tokens、添加会话session segment embeddings和时间感知自注意力。通过对广泛使用的推荐数据集的实验证明了所提出方法的可行性。