In Empfehlungsystemen haben Mehrverhaltensmethoden eine signifikante Effektivität gezeigt, um Probleme wie Datenengpässe zu adressieren – Herausforderungen, die von traditionellen Empfehlungsmethoden mit einem einzigen Verhalten häufig begegnet werden. Diese Methoden leiten typischerweise Nutzerpräferenzen aus verschiedenen ergänzenden Verhaltensweisen ab und wenden sie auf Empfehlungen für das Zielverhalten an. Bestehende Methoden stehen jedoch vor Herausforderungen, die Interaktionsmuster für verschiedene Verhaltensweisen aus implizitem Feedback mehrerer Verhaltensweisen zu entdecken, da Nutzer unterschiedliche Präferenzstärken für verschiedene Artikel über die Verhaltensweisen hinweg aufweisen. Um dieses Problem zu lösen, führt dieses Papier einen neuen Ansatz ein, das entscheidungsbewusste Präferenzmodellieren (DAPM), für die Mehrverhaltens-Empfehlung. Zunächst konstruieren wir einen verhaltensunabhängigen Graphen, um umfassende Repräsentationen zu lernen, die nicht von Verhaltensfaktoren beeinflusst werden, was die verhaltensspezifischen Repräsentationen ergänzt. Anschließend führen wir ein innovatives kontrastives Lernparadigma ein, das die Interverhaltens-Konsistenz und die Intra-Verhaltens-Einheitlichkeit betont, um das Problem der „falschen Abstoßung“ in traditionellem kontrastivem Lernen zu mildern. Darüber hinaus schlagen wir einen Mehrverhaltens-Hinge-Verlust mit Randbedingungen vor, um die Entscheidungsgrenzen der Nutzer über verschiedene Verhaltensweisen hinweg explizit zu modellieren, wodurch die Fähigkeit des Modells verbessert wird, die inkonsistenten Präferenzintensitäten der Nutzer genau zu erfassen. Umfangreiche Experimente an drei realen Datensätzen zeigen die konsistenten Verbesserungen, die durch DAPM im Vergleich zu dreizehn hochmodernen Baselines erzielt werden. Wir veröffentlichen unseren Code unter https://github.com/Breeze-del/DAPM.
Li et al. (Mon,) haben diese Frage untersucht.