HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation

在推荐系统的背景下，解决多行为用户交互已成为理解不断演变的用户行为的关键。最近的模型利用图神经网络和注意机制等技术来建模多样的行为，但是捕捉历史交互中的顺序模式仍然具有挑战性。为了解决这个问题，我们引入了用于多行为推荐的分层掩码注意力（HMAR）。具体而言，我们的方法将掩码自注意力应用于同一行为的项目，然后在所有行为之间进行自注意力。此外，我们提出历史行为指标来编码输入序列中每个项目行为的历史频率。此外，HMAR模型在多任务设置中运行，使其能够同时学习项目行为及其相关的排名分数。对四个真实世界数据集的广泛实验结果表明，我们提出的模型优于现有的最先进方法。我们的代码和数据集在此处提供（https://github.com/Shereen-Elsayed/HMAR）。

本论文旨在解决多行为用户交互在推荐系统中的建模问题，特别是如何捕捉历史交互中的顺序模式。

HMAR模型采用分层掩码注意力机制，先对相同行为的项目进行自注意力，然后在所有行为上进行自注意力。此外，引入历史行为指标来编码输入序列中每个项目行为的历史频率。

实验结果表明，HMAR模型在四个真实数据集上的表现优于现有的方法。该模型在多任务设置下运行，可以同时学习项目行为及其相关的排名分数。作者在论文中提供了代码和数据集。

最近的相关研究包括《Graph Convolutional Matrix Completion for Bipartite Edge Prediction》、《Behavior Sequence Transformer for E-commerce Recommendation in Alibaba》等。