Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)

1. Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)

(0) 个人小结

本文提出了可以利用用户多种反馈行为（如：浏览、点击、加入购入车、购买等）且采用非采样进行训练的模型 EHCF ，该模型还考虑了用户行为之间的迁移关系，在训练时优化了loss的复杂度。

(1) 背景 & 问题描述

负采样容易受采样分布、采样数量的影响，导致其鲁棒性不高。非采样将用户所有没有交互过的数据作为负样本，这种做法覆盖面全，但是训练效率低。

(2) 研究方法

问题描述： 估计用户对某件商品做出某种行为（浏览、点击、加入购物车、购买等）的可能性。

模型框架图：

Embedding层： 输入的是用户的Embedding和该用户所有交互过的item的Embedding；

基于迁移的预测层： 引入了用户行为之间的迁移信息，如：用户先浏览，然后点击，接着加入购入车，最后购买；

多任务学习： 输出用户对某件物品各个行为的可能性

loss设计：

(3) 结论与展望

提出了EHCF模型，使用非采样的方法进行训练，并降低了训练的时间复杂度，同时使用了迁移的方法刻画用户各行为之间的先后顺序。

参考资料： 浅谈个性化推荐系统中的非采样学习