Multi-Behavior Generative Recommendation

多行为序列推荐（MBSR）旨在结合不同类型的用户行为以提供更好的推荐。现有方法主要关注下一个物品的预测目标，忽略了将目标行为类型纳入学习目标的价值。本文提出了一种新的多行为序列生成推荐框架MBGen。我们将MBSR任务分为两个连续步骤：（1）给定物品序列，MBGen首先预测下一个行为类型以确定用户意图；（2）给定物品序列和目标行为类型，MBGen然后预测下一个物品。为了建模这种两步过程，我们将行为和物品都分词并构造成一个单一的令牌序列，将行为和物品交错放置。此外，MBGen学习在统一的生成推荐范式中自回归地生成下一个行为和物品令牌，自然地实现了多任务能力。此外，我们利用令牌序列的异构性质，在生成推荐中提出了一种位置路由稀疏架构，以有效地扩展模型。在公共数据集上的大量实验表明，MBGen在多个任务上显著优于现有的MBSR模型。

该论文旨在解决多行为顺序推荐（MBSR）中的问题，即如何将用户的行为类型与推荐任务结合起来，从而提高推荐的准确性和效果。

该论文提出了一种名为MBGen的多行为顺序生成推荐框架，将MBSR任务分为两个步骤，首先预测下一个行为类型，然后再预测下一个物品，从而实现多任务能力。同时，利用异构序列的特点，提出了一种位置路由稀疏架构，以有效地扩展模型规模。

该论文在多个公共数据集上进行了广泛的实验，证明了MBGen模型在多个任务中都明显优于现有的MBSR模型。此外，该论文还开源了代码，为后续研究提供了便利。

在这个领域中，还有一些相关的研究，例如《Behavior Sequence Transformer for E-commerce Recommendation》和《Session-based Recommendation with Graph Neural Networks》等。