admin 管理员组

文章数量: 887032

快手

一、背景

用户和物品产生交互，不光源于用户的兴趣，还可能是因为从众。如果直接通过历史交互序列对用户兴趣进行建模， 所得到的特征向量中用户的兴趣和从众纠缠在一起，对于训练集和测试集中数据不同分布（none-iid）的情况，模型的性能会非常差，以下图为例（源自DICE-2021）：

如果用图中的数据去预测图片形状，因为在训练集中的数据存在一定特性（正方形：蓝色，体积大；三角形：绿色、体积小；圆：橘色、体积中等），那么模型可能“偷懒”，只学习颜色和体积特征属性，显然在测试集上的效果非常差。只有从外形，颜色，大小，三个角度分开建模的模型才能取得好的效果。本文提出的就是这样一种对特征进行解耦的方法，所谓解耦就是对历史交互进行建模，得到多个特征向量，每个向量只建模一种属性，使得向量更存粹。

二、贡献 

  • 我们提出了一个通用框架，通过直接基于观测数据的对比学习来学习解纠缠的因果嵌入。样本增广为不同原因和长尾物品提供了充足样本，这可以有效的处理数据稀疏性问题，此外该框架可以应用于任何基础模型中。
  • 在两个真实数据集上做了大量实验，结果证明我们提出的DCCL模型相较于SOTA性能上有了很大的提升。

三、方法

3.1 因果图

用户与物品产生交互的原因有很多，这里只关注两个主要的：兴趣和从众。解耦表征主要有以下优势：一，从交互生成的角度出发，针对不同的原因准确地模拟用户的个性化偏好。二、因果建模可以得到更鲁棒的模型，具有更强的泛化能力。

3.2 对比学习

符号解释：

， ：解耦后的用户的兴趣嵌入和从众嵌入。

，：解耦后的物品的内容特征嵌入和流行度特征嵌入。

本文认为用户u的交互项均为正样本，其他用户的交互项为负样本，故可组成正对：, 负对：，其中为正样本i的内容特征嵌入，其他符号类似，不再一一说明。

we regard the interacted items of user 𝑢 are all positive samples and the items from other users are regarded as negative samples for user 𝑢。

论文运用BPR作为损失，训练两个embedding向量，增大正对之间的点积，缩小负对之间的点积（感兴趣程度）。

1、u对i的兴趣向量对比损失：

2、 u对i的从众向量对比损失： 

总损失：

注意：需选取流行度比正样本流行度低的作为负样本。原因可自己分析一下很好理解。

 ：物品i的流行度。与用户交互的次数 / 所有物品交互的总次数。引入流行度，建立特征向量和流行度之间关系。

本文标签： 快手

版权声明：本文标题：快手 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/free/1698933748h319712.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。