.png){kind=icon}
返回
GrIT: Group Informed Transformer for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3856828.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
序列推荐系统旨在通过提取用户行为历史中的时序模式来预测其未来兴趣。现有方法通常采用基于Transformer的架构来处理用户交互的长序列，通过建模物品间的时序关系来捕捉偏好转移。然而，这些方法往往忽视了能够捕捉相似用户集体行为的群体级特征的影响。我们假设，在个体用户历史的基础上明确建模时序演变的群体动态，可以显著提升下一项推荐效果。我们提出GrIT，一种群体信息Transformer，它学习隐含的群体表示并通过可学习的、时变成员权重来建模用户-群体隶属关系。每个时间步的成员权重通过建模用户交互历史中的偏好转移来计算，其中我们纳入了短期和长期用户偏好。我们提取一组统计特征以捕捉用户行为动态，并通过一系列变换进一步优化，生成最终的漂移感知成员权重。通过用学习到的成员分数加权隐含群体嵌入，得到群体级表示。该表示在Transformer块内与用户的序列表示集成，以联合捕捉个人和群体级的时序动态，产生更丰富的嵌入，从而实现更准确、更具上下文感知的推荐。我们通过在五个基准数据集上的广泛实验验证了该方法的有效性，GrIT在Recall@5、NDCG@5和MRR@5指标上分别比最强基线平均提升3.22%、4.25%和4.79%。在top-10和top-20推荐截断点上也观察到类似趋势。
期刊
IF:
6.6
论文数:
1.5K
被引数:
6.2K
机构
引用论文
暂无论文信息