[论文解读] Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation

Mingshi Yan, Fan Liu+4 more|arXiv (Cornell University)|Apr 28, 2024

Behavioral Health and InterventionsPsychology被引用 3

一句话总结

本文提出了一种新型多行为推荐框架——行为上下文感知的项目偏好建模（BCIPM），通过行为上下文感知的项目偏好网络（BIPN）学习与行为相关的项目感知偏好，并利用图卷积网络（GCN）模块进行增强。通过仅将与行为相关的偏好隔离并传递至目标行为，BCIPM减少了辅助行为带来的噪声，在四个真实世界数据集上实现了最先进性能，HR@10 和 NDCG@10 指标显著优于现有方法。

ABSTRACT

In recommender systems, multi-behavior methods have demonstrated their effectiveness in mitigating issues like data sparsity, a common challenge in traditional single-behavior recommendation approaches. These methods typically infer user preferences from various auxiliary behaviors and apply them to the target behavior for recommendations. However, this direct transfer can introduce noise to the target behavior in recommendation, due to variations in user attention across different behaviors. To address this issue, this paper introduces a novel approach, Behavior-Contextualized Item Preference Modeling (BCIPM), for multi-behavior recommendation. Our proposed Behavior-Contextualized Item Preference Network discerns and learns users' specific item preferences within each behavior. It then considers only those preferences relevant to the target behavior for final recommendations, significantly reducing noise from auxiliary behaviors. These auxiliary behaviors are utilized solely for training the network parameters, thereby refining the learning process without compromising the accuracy of the target behavior recommendations. To further enhance the effectiveness of BCIPM, we adopt a strategy of pre-training the initial embeddings. This step is crucial for enriching the item-aware preferences, particularly in scenarios where data related to the target behavior is sparse. Comprehensive experiments conducted on four real-world datasets demonstrate BCIPM's superior performance compared to several leading state-of-the-art models, validating the robustness and efficiency of our proposed approach.

研究动机与目标

• 解决在多行为推荐中，由于直接从辅助行为向目标行为转移偏好而引入的噪声问题。
• 以行为上下文感知的方式建模用户偏好，捕捉与每种行为相关的项目感知偏好。
• 通过预训练初始嵌入来丰富项目感知偏好学习，从而在低数据场景下提升推荐准确性。
• 通过 GCN 模块将行为特定偏好与高阶邻居信息融合，增强用户表征学习。
• 通过在具有多样化交互模式的真实世界数据集上进行综合实验，验证所提方法的有效性。

提出的方法

• BCIPM 使用行为上下文感知的项目偏好网络（BIPN）学习与每种行为相关的项目感知偏好，确保仅使用与行为相关联的偏好来服务目标行为。
• 该模型将所有行为的交互数据整合到一个统一图中，使 GCN 增强模块能够捕捉整个交互网络中的高阶用户邻居偏好。
• 应用预训练模块初始化嵌入，以丰富项目感知偏好——尤其在目标行为数据稀疏时至关重要。
• 最终用户表征通过融合 BIPN 的行为特定偏好与 GCN 模块的协同信号形成，其中可学习的超参数 λ 控制两部分之间的平衡。
• 模型采用联合优化目标，结合目标行为和辅助行为的损失，BIPN 确保仅相关偏好信号被传播至目标任务。
• GCN 增强模块作用于整合所有行为的统一交互图，实现无需按行为分离的更丰富协同信号提取。

实验结果

研究问题

• RQ1 如何减少因直接从具有不同用户关注点的辅助行为向目标行为转移偏好而引起的推荐噪声？
• RQ2 行为上下文感知的项目感知偏好学习在多行为设置下能多大程度上提升推荐性能？
• RQ3 初始嵌入的预训练能否增强项目感知偏好学习，尤其是在低数据场景下？
• RQ4 在性能和信息保留方面，对多行为交互数据使用统一 GCN 与按行为分别操作 GCN 相比有何差异？
• RQ5 在多行为推荐中，行为特定偏好学习（BIPN）与协同信号提取（GCN）之间最优平衡为何？

主要发现

• BCIPM 在四个真实世界数据集上均达到最先进性能，所有基准测试中 HR@10 和 NDCG@10 均有显著提升。
• 在 Tmall 数据集上，BCIPM 的 HR@10 达到 0.1414，NDCG@10 达到 0.0741，显著优于次佳方法。
• 在 Taobao 数据集上，BCIPM 的 HR@10 为 0.1292，NDCG@10 为 0.0716，展现出在多样化用户交互模式下的强大泛化能力。
• 消融实验表明，所提出的聚合策略（agg.）显著优于独立 GCN 操作方法（sep.），证实了统一图学习的优势。
• 参数分析显示，较小的 λ（强调 BIPN）带来更好性能，证实行为上下文感知的项目偏好学习是性能提升的主要驱动力。
• 在 Yelp 和 ML10M 等稀疏数据集上，模型表现尤为稳健，其中预训练和行为特定偏好学习有效缓解了数据稀缺的影响。