APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation论文阅读笔记

Abstract

现存的问题：

​ 现有方法通常只关注序列内建模，而忽略了通过序列间建模来利用全局协作信息，从而导致推荐效果不佳。以往的研究试图通过预定义规则构建的全局协作项目图来解决这一问题。然而，这些方法在捕捉全局协作信息时忽略了两个关键属性，即适应性和个性化，从而产生了次优的用户表征。

提出方法：

​ 为此，我们提出了一个图驱动框架，名为 “顺序推荐的自适应和个性化图学习（APGL4SR）”，它将自适应和个性化的全局协作信息纳入顺序推荐系统。具体来说，我们首先学习所有项目之间的自适应全局图，并以自我监督的方式利用该图捕获全局协作信息，而基于 SVD 的加速器可进一步减轻计算负担。此外，在图的基础上，我们提出以相对位置编码的形式提取和利用个性化的项目相关性，这是一种高度兼容的个性化利用全局协作信息的方式。最后，整个框架是在多任务学习范式下优化的，因此 APGL4SR 的每个部分都可以相互促进。作为一个通用框架，APGL4SR 不仅能以显著的优势超越其他基线，而且还表现出良好的通用性、学习有意义的全局协作图的能力，以及缓解项目嵌入的维度崩溃问题的能力。

Introduction

​ 第一段介绍推荐系统和顺序推荐

​ 第二段介绍推荐系统的常用方法

​ 第三段介绍现存的一些问题

​ 我们认为，从基于规则的图中获得的全局协作信息并不理想，因为它缺乏两个基本特性：

​ (1) 适应性。图应该能够自适应地检测出有噪声的边缘和潜在边缘，例如，T恤和耳机之间的边缘权重可以降低，因为它们在直观上并不相关，而我们可以在直观相似的耳机和智能手表之间添加一条边缘。

​ (2) 个性化。全局协作信息应该对不同的用户产生不同的影响，例如，像用户