Modeling User Fatigue for Sequential Recommendation

推荐系统会过滤出符合用户兴趣的信息。然而，用户可能会对那些与他们在短时间内接触到的内容太相似的推荐感到疲劳，这就是所谓的用户疲劳。尽管对于更好的用户体验来说，用户疲劳非常重要，但现有的推荐系统很少探讨这个问题。实际上，建立用户疲劳模型需要解决三个主要挑战，即哪些特征支持它、它如何影响用户兴趣以及如何获得其明确的信号。本文提出了一种模型，名为序列推荐中的兴趣学习疲劳建模（FRec），用于解决用户疲劳问题。为了解决第一个挑战，基于多兴趣框架，我们将目标项目与历史项目连接起来，构建了一个兴趣感知相似度矩阵作为支持疲劳建模的特征。关于第二个挑战，我们提出了一种疲劳增强的多兴趣融合方法来捕捉长期兴趣，建立在特征交叉的基础上。此外，我们还开发了一种疲劳门循环单元用于短期兴趣学习，其中时间疲劳表示是构建更新和重置门的重要输入。对于最后一个挑战，我们提出了一种新的序列增强方法，用于获得对比学习的明确疲劳信号。我们在包括两个公共数据集和一个大规模工业数据集在内的真实世界数据集上进行了广泛的实验。实验结果表明，与现有最先进模型相比，FRec可以将AUC和GAUC分别提高0.026和0.019。此外，大规模在线实验证明了FRec降低疲劳的有效性。我们的代码已在https://github.com/tsinghua-fib-lab/SIGIR24-FRec上发布。

论文旨在解决用户疲劳问题，即用户对于过于相似的推荐内容产生疲劳，从而提出一种名为FRec的模型来建模用户疲劳并减少其对于推荐的影响。

FRec模型基于多兴趣框架，构建了一个兴趣感知相似度矩阵来支持疲劳建模。同时，提出了一种疲劳增强的多兴趣融合方法来捕捉长期兴趣，并开发了一种疲劳门循环单元来学习短期兴趣。此外，论文提出了一种序列增强方法来获取明确的疲劳信号，以进行对比学习。

论文在多个真实数据集上进行了实验，包括两个公共数据集和一个大规模工业数据集。实验结果表明，FRec相比于现有的最先进模型，可以将AUC和GAUC提高0.026和0.019。此外，大规模在线实验证明了FRec在减少用户疲劳方面的有效性。论文提供了代码开源。

最近的相关研究包括“Personalized Recommendation with Long-term and Short-term Preference Aggregation”和“Sequential Recommender System based on Hierarchical Attention Network”等。