基于稳定学习的多兴趣序列推荐网络

摘要

多兴趣网络以多个表示向量来提取用户多个兴趣，在序列推荐中展现了优秀的表现。然而，用户多个兴趣通常高度相关，模型可能学习到噪声兴趣与目标物品之间的虚假相关性。一旦数据分布变化，兴趣之间的相关性也会改变，虚假相关性将误导模型做出错误预测。为了缓解这个问题，本文提出了一种新的基于稳定学习的多兴趣网络，试图消除模型提取的兴趣之间的相关性，来避免模型捕获虚假相关性。本文采用注意力模块提取多个兴趣，并选择最重要的兴趣进行最终预测。同时，基于独立性准则对训练样本进行加权，以最小化提取到兴趣之间的相关性。本文进行了大量实验显示，在集外（Out-of-Distribution,OOD）和随机设置下，分别取得了36.8%和21.7%的相对提升。

关键词

神经网络 / 信息检索 / 推荐系统

基金资助

国家自然科学基金（62206291）