Blanchiment à Double Vue sur des Embeddings Textuels Pré-entrainés pour la Recommandation Séquentielle

Les avancées récentes dans les modèles de recommandation séquentielle ont démontré l'efficacité de l'intégration des embeddings textuels pré-entrainés avec les embeddings d'ID d'articles pour atteindre une performance supérieure. Cependant, notre étude adopte une perspective unique en se concentrant exclusivement sur le potentiel inexploité des embeddings textuels, évitant ainsi le besoin d'embeddings d'ID. Nous commençons par mettre en œuvre une stratégie de prétraitement connue sous le nom de blanchiment, qui transforme efficacement l'espace sémantique anisotrope des embeddings textuels pré-entrainés en une distribution gaussienne isotrope. Des expériences complètes révèlent qu'appliquer le blanchiment aux embeddings textuels pré-entrainés dans des modèles de recommandation séquentielle améliore significativement la performance. Pourtant, une opération de blanchiment complète pourrait altérer le potentiel de variété des articles ayant des sémantiques textuelles similaires. Pour conserver la sémantique originale tout en bénéficiant de l'isotropie des caractéristiques textuelles blanchies, nous proposons une méthode de Blanchiment à Double Vue pour la Recommandation Séquentielle (DWSRec), qui exploite à la fois les représentations d'articles complètement blanchies et les représentations blanchies détendues comme deux vues pour des recommandations efficaces. Nous examinons en outre les avantages de notre approche à travers des analyses empiriques et théoriques. Des expériences sur trois ensembles de données publiques montrent que DWSRec surpasse les méthodes à la pointe de la technologie pour la recommandation séquentielle.