对话推荐系统中的马太效应缓解：HiCore框架详解

对话推荐系统中的马太效应缓解：HiCore框架详解

引用

CSDN

1.

https://blog.csdn.net/HE2096798708/article/details/145726617

在推荐系统领域，马太效应是一个棘手的问题。通俗来说，就是热门项目总是更受关注，而小众项目则被边缘化。这种现象在用户与系统交互过程中会进一步加剧，导致推荐结果的单一化和不公平。本文介绍了一篇发表在2024年自然语言处理经验方法大会（EMNLP）上的研究论文，该研究提出了一种新的框架——HiCore，旨在通过学习多级用户兴趣来缓解对话推荐系统中的马太效应。

研究背景

在推荐系统领域，马太效应是一个棘手的问题。通俗来说，就是热门项目总是更受关注，而小众项目则被边缘化。这种现象在用户与系统交互过程中会进一步加剧，导致推荐结果的单一化和不公平。现有的方法大多关注静态推荐场景，但忽略了动态用户系统反馈循环中的马太效应问题。因此，本文提出了一种新的框架——HiCore，旨在通过学习多级用户兴趣来缓解对话推荐系统中的马太效应。

相关工作

马太效应在推荐系统中的研究

• 用户兴趣多样性：许多研究致力于通过理解用户的多样化兴趣来提升推荐的多样性，但这些方法大多集中在静态场景中。
• 缓解流行度偏差：另一些研究则专注于减少流行度偏差，以确保各类项目的平衡曝光。然而，这些方法同样忽略了用户与系统交互的动态性。

对话推荐系统

• 基于属性的CRS：通过询问用户关于项目或其属性的问题来挖掘用户兴趣，但这种方法依赖于预定义的模板，生成的对话不够自然流畅。
• 基于生成的CRS：利用Seq2Seq架构将对话组件和推荐组件相结合，生成流畅连贯的响应。但这些方法在捕捉用户多样化兴趣方面存在挑战，因为用户-项目交互数据有限。

方法与创新

HiCore框架

本文提出的HiCore框架包含两个核心部分：多超图增强的多兴趣自监督学习（Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning）和兴趣增强的CRS（Interest-Boosted CRS）。

多超图构建

• 超图的定义：超图不同于传统图，它允许一条边连接多个节点。本文构建了多种超图来编码复杂的高阶用户关系模式。
• 多通道超图：包括项目导向、实体导向和词汇导向的三通道超图。通过这些超图，可以捕捉到用户兴趣的多级特征。

多兴趣自监督学习

• 超图卷积网络：通过超图卷积网络（HGCN）学习多级用户兴趣。
• 注意力机制：利用注意力网络（Attention）和图卷积网络（GConv）来学习最终的多兴趣表示。
• 自监督学习目标：采用InfoNCE作为学习目标，通过对比学习来优化模型。

兴趣增强的CRS

• 推荐模块：利用多兴趣表示来选择目标项目，并采用交叉熵损失函数进行优化。
• 对话模块：将多兴趣输入到Transformer中，生成信息丰富的对话响应。

实验

实验设计

• 数据集：本文在四个基准数据集上进行了评估，包括REDIAL、TG-REDIAL、OpenDialKG和DuRecDial。
• 基线方法：与多种现有方法进行了比较，包括TextCNN、SASRec、BERT4Rec等。

推荐性能

• 评估指标：使用Recall@K、MRR@K和NDCG@K（K=1, 10, 50）来评估推荐任务。
• 结果：HiCore在所有基线方法中表现最佳，证明了其在推荐任务中的优越性。

对话性能

• 评估指标：使用Distinct n-gram（Dist-n，n=2,3,4）来评估对话任务。
• 结果：HiCore在对话任务中也显著优于所有基线方法，证明了其在生成高质量对话响应方面的能力。

马太效应缓解

• 评估指标：使用Coverage@k、Average Popularity和Long Tail Ratio来评估马太效应的缓解效果。
• 结果：HiCore在所有数据集上都取得了最高的Coverage和最低的Average Popularity和Long Tail Ratio，证明了其在缓解马太效应方面的有效性。

创新点

• 多超图构建：首次构建了三通道设置的多超图，用于学习多兴趣，以缓解CRS中的马太效应。
• 多兴趣自监督学习：通过超图卷积网络和注意力机制学习多级用户兴趣，并采用自监督学习目标进行优化。
• 兴趣增强的CRS：利用多兴趣表示增强对话和推荐任务，提升推荐的多样性和对话的自然性。