UniRec：考虑序列时间间隔和item交互频率的序列推荐方法

标题: UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations 地址：https://arxiv.org/pdf/2406.18470 学校：复旦 代码：https://github.com/Linxi000/UniRec

1. 导读

本文主要关注序列推荐中的用户交互行为之间的时间间隔和item频率，以此来提升序列推荐模型的性能。时间间隔更均匀的序列和频率更高的item都能产生更好的预测性能。相反，非均匀序列加剧了用户兴趣漂移，并且由于样本稀疏，低频的item很难建模。本文提出了UniRec，利用序列均匀性和item频率来提高性能，改进非均匀序列和低频item的表征。考虑不同类型的序列对时间的依赖程度不同，采用多维时间建模将时间信息，时间间隔信息融入序列表征之中。

2.方法

alt text

2.1 序列增强

时间间隔方差较小的序列是更均匀的序列，并且基于时间方差阈值（超参数）将所有序列可以被分为两个子集：，分别表示均匀/不均匀。同时，item基于在交互序列中出现的频率分类两类分别表示在时间t这个item是高频还是低频。

对于每个均匀序列，生成相应的非均匀子序列模拟在真实场景中的不规则行为模式，从而增强对复杂用户行为建模的能力。生成方式：在中保留低频item，如果在序列中低频item的个数少于M（超参数）个，则再从中随机采样额外的高频item。可以表示为下式，

和对应emb为，然后经过编码器得到行为序列编码

然后使和的表征尽可能接近，以增强模型处理非均匀序列的时间动态的能力，从而通过生成模型（FFN）最小化：

采用课程学习策略：从简单到复杂。逐渐增加了训练样本的复杂性。最初主要从更均匀的序列中学习，随着训练的进行，不断引入具有更复杂的用户兴趣漂移的序列。由动态加权损失函数控制：

其中表示动态权重系数，e表示当前epoch，表示该损失函数起作用的epoch，表示总epoch。对于每个均匀序列，时间间隔的方差为。是所有序列中时间间隔方差的最大值，同理。

2.2 item增强

生成的主要由低频item组成，并且再非均匀序列中也主要是低频item，因此增强模型在低频item上的性能是很重要的。本节从两个方面来增强item表达：候选邻居生成和表征聚合

• 对每个item进行候选邻居生成。对于每个中心item，识别一个潜在的候选邻居集合。针对每一个其他item j，为中心item计算一组分数。基于打分排序后选择候选邻居集合。打分包含三个部分：和j之间的时间间隔T、item j的流行度H和和j的相似性S。H和s都被归一化，以确保评分机制的一致性。表达为下式，

其中，和是常数，根据数据集的具体情况而定。在每个batch训练时，从邻居集合中随机采样K个邻居，其中K是超参数。

• 用注意力机制来聚合这K个候选邻居。的emb表示为，K个邻居为。(文中应该是漏乘了)

将聚合的emb和拼接得到，这部分是总体的，细化到低频和高频的item邻居信息上有一定差异

为了使低频item能够更好地利用邻居item的信息，将高频item学习到的邻居聚合信息迁移到低频item。高频item的emb为，聚合了邻居信息的emb表示为，高频item的聚合训练如下，L2来约束聚合前后的信息，其中为全连接层，w还是一样是用于课程学习的权重（在训练初期，高频item优先训练，在后期逐渐转向低频的item），F表示的是item在交互中出现的频率分。

最后，通过最小化以下损失，在训练的某个epoch之后更新所有低频item的emb，这里的是已经经过次高频item训练的全连接层。

2.3 多维度时间建模

均匀序列对时间的依赖性较低，而需要非均匀序列需要更丰富的时间细节，本节提出了一个多维时间建模模块。

对于每个序列，对应的时间戳序列定义为。相应的时间间隔序列定义为，。由emb矩阵编码，得到时间间隔的emb。对于时间上下文建模，使用基于时间表征学习的自注意机制，并分别对年、月和日等时间信息进行建模。通过线性层聚合这些信息，以形成每个交互i的最终时间上下文emb 。对于每个序列，可以获得item序列emb，时间上下文表示，时间间隔emb，0表示1×d的零向量。

正如前面所说，不同类型的序列需要不同水平的时间信息，本节使用混合注意力机制分别将与和积分，将会时间信息融入序列中。这作为序列编码器（就是序列增强中用到的编码器）。以混合注意力在和上的应用为例，同理也可以得到考虑时间间隔的处理方式。

• 拼接和，得到序列的初始emb为$e_u=h_u|C_t。
• 对输入X进行混合注意力预处理，，P是位置编码矩阵。混合注意力机制表示如下，

参考这篇文章https://mp.weixin.qq.com/s/hBHYfJVnyoAhV1Xw04N5rg， H_j由计算得到，是注意力分数矩阵，结合高斯分布来混合两种类型的输入数据。。非负混合权重（和为1），表示每个上下文类型的贡献。是输入经过权重来投影后的输出。高斯分布的方差参数为σ2，I为单位矩阵。损失函数如下，

其中，是FFL的输出也就是序列的表征，，拼接item的emb和时间的emb。

3 实验