SIGIR 2024 | 共现关系还是细粒度偏好？ID和模态信息解耦的会话推荐

©PaperWeekly 原创 · 作者 | 张晓堃

单位 | 大连理工大学·信息检索研究室

研究方向 | 推荐系统

论文题目：
Disentangling ID and Modality Effects for Session-based Recommendation

会话推荐 (Session-based Recommendation) 旨在根据匿名用户在短期内的行为，预测其兴趣偏好，进而为其提供个性化推荐服务。早期大部分工作致力于利用多种神经网络结构来建模商品 ID 的共现关系，并以此给用户提供个性化建议。采用的神经网络结构包括循环神经网络 (RNN)、注意力机制以及图神经网络 (GNN) 等。

最近部分研究则将商品模态信息纳入模型，以增强模型对用户意图的理解，包括商品的描述文本、商品图片、商品类别以及商品价格等。模态信息的引入使得模型能够从多个角度捕捉用户偏好， 进而提高了模型的表现，并可以缓解会话推荐系统天然存在的数据稀疏问题。然而，本文研究发现，商品 ID 和模态信息蕴含着完全不同的推荐逻辑，即商品 ID 信息反映商品间的共现关系，而商品模态信息则体现用户的细粒度偏好。 

一方面，商品的 ID 仅仅是一个符号标识符，其无法表示具体的商品特征，而只是从统计的角度反映了所有用户-商品交互中的商品共现关系。具体地，如上图左侧所示，ID 的共现模式表明了推荐系统中的一个基本逻辑：如果商品 x1和 x2 经常被一起购买，那么在用户与 x1 交互后，推荐系统则可以根据商品间的共现关系向其推荐 x2。 

另一方面，商品的模态信息则体现了用户的细粒度偏好。商品的模态信息，如文本和图片，可以描述商品的具体特征，比如服装的风格和颜色。如上图中右侧所示，在分析用户购买商品的图片后，系统可以推断出这位用户是一个漫威迷。据此，推荐系统可以给这位用户推荐漫威联名款的杯子（即使 T 恤和杯子很少被一起购买）。

显然，这种推荐模式有助于提高推荐系统的表现。这也突显了推荐系统的另一个推荐逻辑：从商品模态信息中可以推断出用户的细粒度偏好，依据这种细粒度的偏好，推荐系统可以向用户推荐具有相似属性的商品。 

由此可见，商品的 ID 和模态信息在推荐系统预测用户行为时代表着完全不同的逻辑。然而，现有的方法往往将 ID 和模态信息的嵌入表示不加区分地混合在一起，混淆了这两种截然不同的推荐逻辑。这种操作无法探究用户行为背后的基本原因，导致对应的推荐模型无法准确地对用户行为进行预测，也无法对其产生的推荐结果进行解释说明。因此，本文对 ID 和模态信息进行了解耦，以同时提高推荐系统的准确度和可解释性。

提出模型DIMO

模型表现

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[email protected] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧