.png){kind=icon}
返回
Exploring user representation learning from interaction data: a data-centric survey
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-026-01076-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的用户表示，通过从交互数据中学习有意义的嵌入，对于个性化推荐、欺诈检测和行为分析等应用至关重要。现有综述通常从三个角度对用户表示学习模型进行分类：模型中心、任务中心和架构中心。作为这些视角的补充，本文提出了一种数据中心视角，该视角关注用户交互数据的内在属性，并建立了数据属性与模型假设之间的原则性联系。从这一数据中心视角出发，我们根据交互数据的两个基本方面对用户表示学习模型进行分类：拓扑属性和时序属性。相应地，识别出三种关键范式：(1) 静态交互图，侧重于拓扑关系；(2) 交互序列，建模时序动态；(3) 动态交互图，整合拓扑关系和时序动态。此外，我们探讨了增强语义和多模态信息集成以提升表示能力。这一扩展引出了两种新兴范式：(4) 异构交互图和(5) 多模态交互图。最后，我们回顾了基准数据集，并概述了开放挑战，包括与大型语言模型(LLMs)的结构感知集成以及多源环境中的可扩展学习。总体而言，本综述分析了不同范式下模型设计与内在数据属性之间的关系，强调了数据属性如何指导适当建模方法的选择，并帮助预判其在各种应用场景中的局限性。
Keyword:
User representation learning
User interactions
Static interaction graph
Interaction sequence
Dynamic interaction graph
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏State representation modeling for deep reinforcement learning based recommendation基于深度强化学习推荐的状态表示建模
PREAI
分享收藏
查看更多内容