Matryoshka Representation Learning for Recommendation

表示学习对于基于深度神经网络的推荐系统来说至关重要，以捕捉固定维度的用户和物品向量中的用户偏好和物品特征。与现有的表示学习方法不同，这些方法要么将每个用户偏好和物品特征一视同仁，要么将它们归为离散的聚类，我们认为在现实世界中，用户偏好和物品特征自然以分层的方式表达和组织，这导致了表示学习的一个新方向。在本文中，我们引入了一种新颖的俄罗斯套娃表示学习方法（MRL4Rec），通过该方法，我们将用户和物品向量重构为俄罗斯套娃表示，具有增量维度和重叠向量空间，以明确地表示不同层次的用户偏好和物品特征。我们在理论上证明了构建针对每个层次的训练三元组对于保证准确的俄罗斯套娃表示学习至关重要。随后，我们提出了俄罗斯套娃负采样机制来构建训练三元组，进一步确保了俄罗斯套娃表示学习在捕捉分层用户偏好和物品特征方面的有效性。实验表明，MRL4Rec可以在几个实际数据集上始终且大幅度地优于许多最先进的竞争对手。我们的代码公开在https://github.com/Riwei-HEU/MRL。

本论文旨在解决深度神经网络推荐系统中表示学习的问题，提出了一种基于套娃表示学习的方法，以更好地捕捉用户偏好和物品特征的层次结构。

该论文提出了一种新颖的套娃表示学习方法（MRL4Rec），通过将用户和物品向量重新组织成具有逐渐增加的重叠向量空间的套娃表示，以明确表示不同层次的用户偏好和物品特征。同时，构造特定于每个层次的训练三元组对于保证准确的套娃表示学习至关重要。

该论文的亮点包括理论上的建立、提出的套娃负采样机制、实验结果的表现等。实验使用了多个真实数据集，并开源了代码。此外，该论文的套娃表示学习方法可以在推荐系统领域中得到广泛应用并值得进一步研究。

在这个领域中，还有一些相关的研究，例如《Neural Collaborative Filtering》、《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》等。