WSDM'22「百度」考虑行为多样性的对比元学习

本文希望通过结合多种类型的行为（访问页面，喜欢，购买等），从而发掘用户和商品之间的复杂关联。但是这类方法通常面临两个问题：

目标行为下监督信号稀疏； 通过依赖关系建模捕获个性化的多行为模式。 本文提出对比元学习CML来解决上述问题，

通过对比损失，在多行为对比学习框架下学习不同行为之间的迁移信息，利用辅助行为的信息来帮助目标行为学习，缓解稀疏问题； 设计对比元网络编码不同用户的特定行为的异质性，从而捕获多样的行为模式。

一个信息畅通的推荐框架，不仅可以帮助用户识别自己感兴趣的商品，还可以为各种在线平台(如电子商务、社交媒体)带来收益。传统的推荐模型通常假设用户和商品之间只存在一种交互类型，而不能从多类型的用户行为数据(如页面浏览、添加到喜爱的对象和购买)中对多重用户-商品关系进行建模。虽然最近的一些研究提出了捕获不同类型行为之间的依赖关系，但有两个重要的挑战尚未被探索: i) 处理目标行为(如购买)下的稀疏监督信号。ii) 利用自定义依赖关系建模，获取个性化的多行为模式。为了应对上述挑战，我们设计了一种新的CML模型，即对比元学习(CML)，为不同的用户维护专门的跨类型行为依赖。特别是，我们提出了一个多行为对比学习框架，通过构建的对比损失来提取不同类型行为之间的可转移知识。此外，为了捕捉不同的多行为模态，我们设计了一个对比元网络来编码不同用户的自定义行为异构性。在三个真实数据集上的大量实验表明，我们的方法始终优于各种最新的推荐方法。我们的实证研究进一步表明，对比元学习范式为捕捉推荐行为多样性提供了巨大的潜力。我们在https://github.com/weiwei1206/CML.git发布了我们的模型实现。

https://www.zhuanzhi.ai/paper/08dae46b3df8de18391740491c98cd90