Core Concepts
Das CaDRec-Modell überwindet die Probleme des Über-Glättens und der verzerrten Interaktionsverteilung in Empfehlungssystemen, indem es kontextualisierte Repräsentationen unter Berücksichtigung struktureller und sequenzieller Zusammenhänge sowie entzerrte Repräsentationen durch Modellierung individueller Nutzerverzerrungen und Popularitätseffekte lernt.
Abstract
Das CaDRec-Modell besteht aus zwei Hauptkomponenten:
Kontextualisierte Repräsentationslernung:
Es verwendet einen neuartigen Hypergraph-Convolutions-Operator, der sowohl strukturelle als auch sequenzielle Kontexte berücksichtigt, um die Über-Glättung von Knotenemmbeddings in Graph-Convolutions-Netzwerken (GCNs) zu überwinden.
Der Operator integriert die Selbstaufmerksamkeitskorrelation als trainierbare Störung in den Convolutions-Prozess, um effektive Nachbarn während der Informationspropagation auszuwählen.
Entzerrte Repräsentationslernung:
Es modelliert individuelle Nutzerverzerrungen als lernbare Störungen, um die Repräsentationen von Artikeln von Nutzerverzerrungen zu befreien.
Es kodiert die Popularität von Artikeln durch Positionscodierung, um die Repräsentationen von Artikeln unabhängig von Popularitätseffekten zu lernen.
Es verwendet Regularisierung und Gewichtungsschemen, um das Ungleichgewicht der Gradienten beim Aktualisieren der Artikelrepräsentationen, das die Popularitätsverzerrung verstärkt, auszugleichen.
Umfangreiche Experimente auf vier öffentlichen Datensätzen zeigen, dass das CaDRec-Modell die Leistung der aktuellen Spitzenmethoden übertrifft.
Stats
Die Verteilung der Interaktionen zwischen Nutzern und Artikeln ist oft verzerrt aufgrund verschiedener latenter Faktoren wie Popularität und Expositionsverzerrung.
Die beobachteten Artikelverteilungen aus der Sicht einzelner Nutzer werden durch die tatsächliche Artikelverteilung und die individuellen Nutzerverzerrungen bestimmt.
Das Ungleichgewicht der Gradienten beim Aktualisieren der Artikelrepräsentationen verstärkt die Popularitätsverzerrung.
Quotes
"Die beobachteten Artikelverteilungen aus der Sicht einzelner Nutzer werden durch die tatsächliche Artikelverteilung und die individuellen Nutzerverzerrungen bestimmt."
"Das Ungleichgewicht der Gradienten beim Aktualisieren der Artikelrepräsentationen verstärkt die Popularitätsverzerrung."