Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation

在推荐系统中，多行为方法已经证明其在减轻数据稀疏等传统单行为推荐方法中普遍存在的问题方面的有效性。这些方法通常从各种辅助行为中推断出用户偏好，并将它们应用于目标行为以进行推荐。然而，这种直接转移可能会在推荐中引入噪声，因为用户在不同行为中的注意力变化。为了解决这个问题，本文介绍了一种新的方法，即行为上下文化物品偏好建模（BCIPM），用于多行为推荐。我们提出的行为上下文化物品偏好网络能够识别和学习用户在每个行为中的特定物品偏好。然后，它仅考虑与目标行为相关的那些偏好进行最终推荐，从而显著减少了来自辅助行为的噪声。这些辅助行为仅用于训练网络参数，从而在不影响目标行为推荐准确性的情况下，优化了学习过程。为了进一步提高BCIPM的有效性，我们采用了预训练初始嵌入的策略。这一步对于丰富物品感知偏好尤其重要，特别是在与目标行为相关的数据稀缺的情况下。在四个真实数据集上进行的全面实验表明，与几种领先的现有模型相比，BCIPM具有更好的性能，验证了我们提出的方法的鲁棒性和效率。

解决问题：论文旨在解决多行为推荐中存在的数据稀疏性问题，并提出了一种新方法来减少辅助行为对目标行为推荐的噪声影响。

关键思路：论文提出了一种名为BCIPM的新方法，通过行为上下文化的物品偏好建模来学习用户在每个行为中的特定物品偏好，并仅考虑与目标行为相关的偏好进行最终推荐。

其他亮点：论文在四个真实数据集上进行了全面的实验，证明了BCIPM相对于其他几种领先的模型具有更好的性能。此外，论文还采用了预训练初始嵌入的策略来增强BCIPM的有效性。

相关研究：在这个领域中，最近的相关研究包括《Multi-Task Learning for Multi-Behavior Recommendation》、《A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems》等。