HyperAIHyperAI
vor 17 Tagen

NISER: Normalisierte Item- und Session-Repräsentationen zur Behandlung der Popularitätsverzerrung

Priyanka Gupta, Diksha Garg, Pankaj Malhotra, Lovekesh Vig, Gautam Shroff
NISER: Normalisierte Item- und Session-Repräsentationen zur Behandlung der Popularitätsverzerrung
Abstract

Das Ziel von Session-basierten Empfehlungsmodellen (SR-Modelle) besteht darin, die Informationen aus früheren Aktionen (z. B. Klicks auf Artikel/Produkte) innerhalb einer Sitzung zu nutzen, um Artikel vorherzusagen, die ein Nutzer wahrscheinlich als Nächstes anklicken wird. In jüngster Zeit wurde gezeigt, dass die Folge von Artikelinteraktionen innerhalb einer Sitzung besser als graphenstrukturierte Daten modelliert werden kann, um komplexe Übergänge zwischen Artikeln besser erfassen zu können. Graphen-neuronale Netzwerke (GNNs) können nützliche Darstellungen solcher Sitzungsgraphen lernen und haben sich gegenüber sequenziellen Modellen wie rekurrenten neuronalen Netzwerken [14] als überlegen erwiesen. Allerdings stellen wir fest, dass diese auf GNNs basierenden Empfehlungsmodelle unter einem Popularitätsbias leiden: Die Modelle neigen dazu, beliebte Artikel zu empfehlen und versäumen es, relevante Langschwanz-Artikel (weniger beliebte oder seltener auftretende Artikel) vorherzusagen. Daher erzielen diese Modelle in praktischen Online-Umgebungen, in denen täglich neue, weniger beliebte Artikel hinzukommen, nur schlechte Ergebnisse. Wir zeigen, dass dieses Problem teilweise mit der Größe oder Norm der gelernten Artikel- und Sitzungsgraphendarstellungen (Embedding-Vektoren) zusammenhängt. Wir schlagen ein Trainingsverfahren vor, das dieses Problem durch die Verwendung normalisierter Darstellungen verringert. Modelle, die normalisierte Artikel- und Sitzungsgraphendarstellungen verwenden, erzielen signifikant bessere Ergebnisse: i. für weniger beliebte Langschwanz-Artikel im Offline-Setting und ii. für neu eingeführte, weniger beliebte Artikel im Online-Setting. Darüber hinaus übertrifft unser Ansatz bestehende State-of-the-Art-Methoden erheblich auf drei Benchmark-Datensätzen.

NISER: Normalisierte Item- und Session-Repräsentationen zur Behandlung der Popularitätsverzerrung | Neueste Forschungsarbeiten | HyperAI