Core Concepts
Das vorgeschlagene ECL-SR-Modell lernt sowohl invariante als auch äquivariante Merkmale aus Benutzerinteraktionssequenzen, um leistungsfähigere sequenzielle Empfehlungen zu ermöglichen.
Abstract
Der Artikel stellt ein neues Rahmenwerk namens "Equivariant Contrastive Learning for Sequential Recommendation" (ECL-SR) vor, das sowohl invariante als auch äquivariante Merkmale aus Benutzerinteraktionssequenzen lernt, um die Leistung sequenzieller Empfehlungssysteme zu verbessern.
Kernpunkte:
Bestehende kontrastive Lernansätze für sequenzielle Empfehlungen behandeln alle Augmentationsstrategien gleich, was suboptimal sein kann, da invasive Augmentationen (z.B. Itemsubstitution) die Semantik der Sequenzen verändern können.
ECL-SR lernt Invarianz gegenüber milden Augmentationen (z.B. Dropout-Maskierung) und Äquivarianz gegenüber invasiven Augmentationen, um leistungsfähigere Benutzerverhaltensvektoren zu erhalten.
ECL-SR verwendet eine Generator-Diskriminator-Architektur, um die Unterschiede zwischen originalen und augmentierten Sequenzen zu erfassen und so die Äquivarianz zu fördern.
Umfangreiche Experimente auf 4 Benchmark-Datensätzen zeigen, dass ECL-SR die Leistung sowohl klassischer als auch kontrastiver Lernbasierter sequenzieller Empfehlungsmodelle übertrifft.
Stats
Die Benutzer-Item-Interaktionssequenzen sind typischerweise im Vergleich zur großen Anzahl von Benutzern und Artikeln begrenzt.
Invasive Augmentationsstrategien wie Itemsubstitution können zu semantischen Verschiebungen in den Benutzersequenzen führen.
Quotes
"Invasive Augmentationen sind eher dazu geneigt, semantische Drift zu produzieren im Vergleich zu milden Augmentationen."
"Invariantes kontrastives Lernen kann als Spezialfall des äquivarianten kontrastiven Lernens betrachtet werden."