Apprentissage de clustering contrastif pour la recommandation multi-comportement

De plus en plus de modèles de recommandation multi-comportement ont connu un grand succès. Cependant, de nombreux modèles ne prennent pas en compte les points communs et les différences entre les comportements et la rareté des données du comportement cible. Cet article propose un nouveau modèle de recommandation multi-comportement (MBRCC) basé sur l'apprentissage de clustering contrastif. Plus précisément, le réseau de convolution graphique (GCN) est utilisé pour obtenir les embeddings des utilisateurs et des items, respectivement. Ensuite, trois types de tâches (y compris l'embedding au niveau du comportement, l'embedding au niveau de l'instance et l'embedding au niveau du cluster) sont conçus pour optimiser les embeddings des utilisateurs et des items. Dans l'embedding au niveau du comportement, nous concevons une stratégie d'apprentissage des paramètres adaptative pour analyser l'impact des comportements auxiliaires sur le comportement cible. Ensuite, les embeddings des utilisateurs pour chaque comportement sont pondérés pour obtenir les embeddings finaux des utilisateurs. Dans l'embedding au niveau de l'instance, nous utilisons l'apprentissage contrastif pour analyser les instances d'utilisateur et d'item afin d'atténuer le problème de rareté des données. Dans l'embedding au niveau du cluster, nous concevons une nouvelle méthode d'apprentissage contrastif au niveau du cluster pour capturer la similarité entre les groupes d'utilisateurs et d'items. Enfin, nous combinons ces trois tâches pour améliorer la qualité des embeddings des utilisateurs et des items. Nous menons des expériences approfondies sur trois ensembles de données réels et les résultats expérimentaux indiquent que le MBRCC surpasse remarquablement de nombreux modèles de recommandation existants.