Core Concepts
提出了一种新的多行为推荐模型Disen-CGCN,能够有效地捕捉用户在不同行为中对不同因素的偏好,并实现用户和物品在行为之间的个性化特征转换。
Abstract
本文提出了一种新的多行为推荐模型Disen-CGCN。该模型主要包含以下三个关键组件:
嵌入初始化:采用ID嵌入的方式初始化用户和物品的嵌入表示。
解耦级联GCN块:
单行为建模:采用LightGCN模型在每个行为上学习用户和物品的嵌入表示。
表示解耦:将用户和物品的嵌入表示划分为多个独立的因素块,并应用距离相关性约束确保因素之间的独立性。
个性化特征转换:设计元网络从当前行为中提取用户和物品的个性化元知识,并生成个性化的特征转换矩阵,用于将特征从当前行为转移到下一行为。
预测:
设计注意力机制,捕捉用户在每个行为中对不同因素的偏好,并利用注意力权重线性聚合各行为的嵌入表示进行最终预测。
通过上述创新设计,Disen-CGCN能够有效地建模用户在不同行为中的细粒度偏好,并实现个性化的特征转换,从而显著提升了推荐性能。
Stats
用户在浏览时更关注商品的外观和颜色,在加入购物车时更关注价格和舒适度,而在购买时则综合考虑各种因素。
不同用户对同一商品在不同行为中的偏好也存在差异,如有的用户更看重价格,有的用户更看重功能。
Quotes
"用户在浏览时更关注商品的外观和颜色,在加入购物车时更关注价格和舒适度,而在购买时则综合考虑各种因素。"
"不同用户对同一商品在不同行为中的偏好也存在差异,如有的用户更看重价格,有的用户更看重功能。"