本研究旨在利用聆聽會話中存在的隱式和顯式偏好信號,學習強大的序列推薦概要。我們研究了學習會話級別信息以及通過對比學習任務納入用戶反饋的影響。我們考慮了受CNN、RNN和transformer架構啟發的SoTA方法,並通過我們的擴展為所有架構展示了一致的改進。
我們提出了一個序列感知對比任務,用於規範學習的項目嵌入向量,以鼓勵系統將真正的下一個正面項目結構得更接近,而將跳過的曲目結構得更遠離。這直接影響了使用K最近鄰搜索進行下一個項目推薦的排名,同時也提高了真正下一個項目的排名。
在三個音樂推薦數據集上的實驗表明,隨著負面樣本數量的增加,我們的方法能夠更好地利用負面反饋來學習有效的會話級表示。我們一致地在下一個項目命中率、項目排名和跳過降級方面獲得了性能提升。
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Pavan Seshad... kl. arxiv.org 09-12-2024
https://arxiv.org/pdf/2409.07367.pdfDybere Forespørgsler