Intent-aware Recommendation via Disentangled Graph Contrastive Learning
Intent-aware Recommendation via Disentangled Graph Contrastive Learning
摘要
基于图神经网络（Graph Neural Network, GNN）的推荐系统因其从用户行为数据中强大的学习能力，已成为主流趋势之一。然而，理解用户从行为数据中体现的意图是推荐系统的关键，这对基于 GNN 的推荐系统提出了两个基本要求：
如何学习复杂且多样的意图，尤其是在现实中用户行为数据通常不足的情况下。
- 不同的行为具有不同的意图分布，如何建立它们之间的关系以构建一个更具解释性的推荐系统。
- 为此，本文提出了基于解耦图对比学习的意图感知推荐方法（Intent-aware Recommendation via Disentangled Graph Contrastive Learning, IDCL），该方法能够同时学习可解释的意图以及这些意图下的行为分布。
具体而言，我们首先将用户行为数据建模为一个用户-物品-概念图（user-item-concept graph），并设计了一个基于 GNN 的行为解耦模块来学习不同的意图。接着，我们提出了基于意图的对比学习方法，既能增强意图的解耦效果，又能推断行为分布。最后，引入编码率减少正则化（coding rate reduction regularization），使得不同意图的行为相互正交。
引言
- 如何有效地学习复杂且多样的意图，特别是在现实中用户行为数据非常稀疏的情况下？如上图所示，尽管用户-物品行为可以通过图中的一条边来统一表示，但潜在的用户意图实际上是非常不同的。例如，用户1购买物品1是因为其受欢迎且味道好，但她与物品2的互动是因为该物品的环境和风格符合她的偏好。同时，用户2对物品2的意图则侧重于价格和口味。因此，发现用户意图对于理解用户行为起着重要作用，并在改善和解释推荐系统方面具有巨大潜力。大多数先前的基于GNN的方法忽略了用户意图，直接学习用户/物品表示[He et al., 2020; Wu et al., 2021]，而一些方法尝试通过解耦学习来获取用户意图[Wang et al., 2020a]，然而，众所周知，一个良好解耦的模型通常需要丰富的归纳偏置和监督[Locatello et al., 2018]。由于现实中观察到的交互数据极为稀疏，因此有必要通过数据中的更多监督信号来实现更好的解耦。
- 一旦发现了用户意图，如何建立基于用户意图的行为分布？如上图所示，用户1对物品1更关注其受欢迎程度而非口味。因此，建模行为分布可以描述不同用户意图的强度，从而更准确地理解用户偏好，即我们可以根据最相关的用户意图更好地学习行为表示。此外，来源于不同意图的行为应尽可能分布在不同的子空间中，这使得学习到的行为表示在不同意图之间具有更强的区分性。
模型框架
该模型主要包含四个模块：行为解耦（BA）、意图级对比学习（ICL）、编码率减少正则化（CR）和预测。IDCL的工作流程如下。我们首先将用户的历史行为数据建模为用户-物品-概念图，并通过边缘丢弃构造增强图，随后BA模块将这两个图作为输入，发现多样化的用户意图并推断出一组概念感知的语义基。接下来，提出了ICL模块来增强意图解耦并提供细粒度的自监督信息，同时通过基于语义基的方法推断行为分布。此外，作为一个基于信息理论的准则，CR模块充当正则化约束，促进不同意图的行为之间的正交性。最后，模型基于学习到的用户和物品表示进行预测。
1. 问题定义
多意图预测：通常，用户行为数据可以通过图G = (V, E)来表示，其中节点集V = U ∪ I ∪ C包括所有的用户、物品和与物品相关的概念，边集E = O+ ∪ P+表示观察到的用户行为和物品隶属关系。具体来说，U = {u1, u2, · · · , uN}是N个用户的集合，I = {i1, i2, · · · , iM}是M个物品的集合，C = {c1, c2, · · · , cR}是与物品相关的R个概念的集合，这些概念表示物品的特征，如类别、类型、流行度等。O+ = {eui|u ∈ U, i ∈ I}表示F个用户与物品之间的历史行为，其中eui表示用户u曾经与物品i进行过交互。P+ = {bic|i ∈ I, c ∈ C}表示物品i属于概念c。给定一个候选对（u, i），其中u是目标用户，i是潜在物品，我们的目标是学习用户的解耦意图以及意图上的行为分布，然后预测yui ∈ {0, 1}，表示该物品推荐给目标用户的可能性。
2. 行为解耦
一个用户对物品的采用可能是由多个复杂的意图驱动的，这些意图通常与用户的个性和物品的特征密切相关。如果忽略了任何一方的信息，可能会导致意图建模不足和不准确。因此，理想的做法是通过结合用户和物品的特征，从行为中解耦出潜在的意图。
3.意图级对比学习
由于现实中通常没有标注的意图级数据，而解缠学习（disentanglement learning）非常希望能够考虑（隐式的）监督信号【Locatello et al., 2018】。此外，行为在不同意图上的分布可以进一步反映不同用户意图的强度，从而增加推荐系统的可解释性。因此，在这个模块中，设计了一个意图级对比学习方法，以强制执行有意义的解缠并推断行为分布。
原文地址：https://blog.csdn.net/Zjkorigin/article/details/144029659
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！