多行为对比学习模型

隐式交互增强

该模型通过注入隐式交互并捕捉目标与辅助行为间的细粒度共性，在多行为推荐中优于现有方法。

赵治栋 · Jianing, Liu · Huang, Nana · 焦鹏飞 · 吴华明

IEEE Transactions on Consumer Electronics 2024

技术优势

扩展到未观测交互

通过随机奇异值分解注入隐式交互，与显式交互结合，更全面地建模用户偏好。

捕获细粒度共性

考虑目标与辅助行为之间的多层次共性，从而学习到更高质量的用户偏好表示。

应用场景

• 多行为推荐系统：在购物、视频等多行为平台上提升推荐准确性。
• 用户偏好建模：更全面地理解用户兴趣，缓解数据稀疏。
• 图对比学习应用：将对比学习用于行为图，增强表示学习。