基于知识增强对比学习的长尾用户序列推荐算法

TP391; 序列推荐根据目标用户的历史交互序列,预测其可能感兴趣的下一个物品.现有的序列推荐方法虽然可以有效捕获用户的历史交互序列中的长期依赖关系,但是无法为交互序列较短且用户数量庞大的长尾用户提供精确推荐.为了解决此问题,提出了一种基于知识增强对比学习的长尾用户序列推荐算法.首先,基于知识图谱中的丰富实体关系信息,构建一个基于语义的物品相似度度量,分别提取原始序列中物品的协同关联物品.然后,基于不同学习序列提出2种序列增强算子,通过增强自监督信号解决长尾用户序列训练数据不足的问题.最后,通过对比自监督任务和推荐主任务的网络参数共享的联合训练,为长尾用户提供更精确的序列推荐结果.在实际数据集...

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 45; no. 6; pp. 210 - 222
Main Authors 任永功, 周平磊, 张志鹏
Format Journal Article
LanguageChinese
Published 辽宁师范大学计算机与人工智能学院,辽宁 大连 116029 25.06.2024
Subjects
long-tail user
contrastive learning
长尾用户
对比学习
序列推荐
知识图谱
knowledge graph
sequential recommendation
Online AccessGet full text

Cover

More Information
Summary:TP391; 序列推荐根据目标用户的历史交互序列,预测其可能感兴趣的下一个物品.现有的序列推荐方法虽然可以有效捕获用户的历史交互序列中的长期依赖关系,但是无法为交互序列较短且用户数量庞大的长尾用户提供精确推荐.为了解决此问题,提出了一种基于知识增强对比学习的长尾用户序列推荐算法.首先,基于知识图谱中的丰富实体关系信息,构建一个基于语义的物品相似度度量,分别提取原始序列中物品的协同关联物品.然后,基于不同学习序列提出2种序列增强算子,通过增强自监督信号解决长尾用户序列训练数据不足的问题.最后,通过对比自监督任务和推荐主任务的网络参数共享的联合训练,为长尾用户提供更精确的序列推荐结果.在实际数据集上的实验结果表明,所提算法可以有效提高针对长尾用户的序列推荐精度.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2024107