Modeling User Fatigue for Sequential Recommendation

推荐系统会过滤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过于相似的推荐感到疲劳，这就是所谓的用户疲劳。尽管用户疲劳对于提高用户体验非常重要，但现有的推荐系统很少探讨这一问题。实际上，建立用户疲劳模型面临三个主要挑战，包括支持它的特征是什么，它如何影响用户兴趣，以及如何获得它的明确信号。在本文中，我们提出了一种模型——序列推荐中的用户疲劳建模（FRec），来解决这些挑战。为了解决第一个挑战，我们基于多兴趣框架，将目标项与历史项相连接，并构建一个兴趣感知的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，基于特征交叉来捕捉长期兴趣。此外，我们还开发了一种疲劳门循环单元来学习短期兴趣，其中时间疲劳表示是构建更新和重置门的重要输入。针对最后一个挑战，我们提出了一种新颖的序列增强方法，以获得对比学习的明确疲劳信号。我们在真实世界的数据集上进行了广泛的实验，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，与最先进的模型相比，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减少用户疲劳的有效性。我们的代码已在https://github.com/tsinghua-fib-lab/SIGIR24-FRec上发布。

本论文旨在解决推荐系统中用户疲劳的问题，即用户对于过于相似的推荐内容感到疲劳，从而提出了一种名为FRec的模型来进行疲劳建模。

FRec模型基于多兴趣框架，通过构建兴趣感知相似度矩阵来支持疲劳建模，并使用疲劳增强的多兴趣融合来捕捉长期兴趣，同时使用疲劳门控循环单元来进行短期兴趣学习，通过序列增强来获得明确的疲劳信号。

论文在真实世界数据集上进行了广泛的实验，包括两个公共数据集和一个大规模工业数据集，实验结果表明与现有模型相比，FRec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减少疲劳的有效性。论文开源了代码。

相关的研究包括：1.《Personalizing Diversity-Controllable Recommendations with User Attribute-Awareness》；2.《Modeling and Mitigating User Fatigue in Recommender Systems》；3.《Deep Reinforcement Learning for List-wise Recommendations》等。