论文名称：S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization 作者：Kun Zhou, Hui Wang, Wayne Xin Zhao, Yutao Zhu, Sirui Wang, Fuzheng Zhang, Zhongyuan Wang and Ji-Rong Wen 发表时间：2020/8/18 论文链接：https://arxiv.org/pdf/2008.07873.pdf

推荐理由 本文来自智源研究院智能检索与挖掘方向首席科学家文继荣教授团队，该论文首次将自监督学习应用于序列化推荐任务中。 最近，在深度学习的序列化推荐中已经取得了重大进展。现有的神经序列化推荐模型通常依靠商品预测损失来学习模型参数或数据表示。但是，该类型模型易于遭受数据稀疏性问题的困扰，上下文数据和序列数据之间的关联尚未得到很好的捕获，无法较好地解决序列化推荐问题。 为了解决这个问题，作者提出了一种模型S^3-Rec，它是一种基于自我注意机制的自监督学习模型，用于解决序列化推荐问题。本文方法的主要思想是利用固有数据相关性来导出自监督信号，并通过预训练方法来增强数据表示，以改善序列化推荐。对于序列化推荐任务，本文设计了四个辅助的自监督目标，并利用互信息最大化（MIM）原理来学习属性，商品，子序列和序列之间的相关性。MIM提供了一种统一的方法来表征不同类型的数据之间的相关性，这在本文的方案中特别适用。在六个现实世界的数据集上进行的广泛实验证明，本文提出的方法优于现有的最新方法，尤其是在只有有限的训练数据可用时。此外，本文将自监督学习方法扩展到其他推荐模型，这也提高了它们的性能。

图 1：S^3-Rec 工作流程示意图
本文的主要贡献如下： 1. 本文首次采用最大化互信息进行自监督学习来改善序列化推荐任务。 2. 本文提出了四个自监督的优化目标，以最大化不同形式或粒度的上下文信息的相信息。 3. 在六个真实世界的数据集上进行的广泛实验证明了本文提出的方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除