SIGIR 2023：MoRec模型引领推荐系统的新变革

人工智能

2023-10-03 19:54:06

SIGIR 2023：推荐系统新变革，告别经典 ID 范式，迎接 MoRec

推荐系统的演变：从 ID 范式到 MoRec

推荐系统已成为数字世界的必备利器，帮助我们发现新内容、产品和服务。传统的 ID 范式一直主导着推荐领域，但它在不断变化的格局中逐渐暴露出局限性。

在 SIGIR 2023 大会上，来自西湖大学的王庆教授及其团队推出了 MoRec 模型，为推荐系统开启了一条全新的道路。MoRec 不仅弥补了 ID 范式的不足，还引领着推荐系统走向更个性化、精准和多维度的未来。

ID 范式的局限性：交互限制与异构数据挑战

ID 范式依赖于用户和物品之间的显式交互，但这却无法捕捉用户的隐式偏好和异构数据的多样性。

显式交互局限： ID 范式无法识别用户浏览、收藏等非购买行为，导致推荐结果不够全面。
异构数据挑战： ID 范式难以处理不同类型数据（如文本、图像、视频）的推荐任务，限制了其适用范围。

MoRec 模型：打破壁垒，拥抱多样性

MoRec 模型应运而生，突破了 ID 范式的瓶颈。它采用交互学习和偏好学习的双重机制，全面刻画用户与物品之间的关系，并通过异构数据建模，扩展了推荐系统的适用性。

交互学习： MoRec 不仅学习用户与物品的显式交互，还通过注意力机制捕捉隐式偏好，形成更加细致的用户画像。
偏好学习： MoRec 引入偏好学习模块，直接建模用户对不同属性的偏好，从而生成更加个性化的推荐结果。
异构数据建模： MoRec 采用多模态融合技术，处理不同类型数据，为多维度推荐提供基础。

代码示例：MoRec 模型架构

import torch
from torch import nn

class MoRec(nn.Module):
    def __init__(self, user_dim, item_dim, num_layers=2):
        super(MoRec, self).__init__()
        self.user_embedding = nn.Embedding(user_dim, 64)
        self.item_embedding = nn.Embedding(item_dim, 64)

        self.transformer = nn.Transformer(
            d_model=64, nhead=4, num_encoder_layers=num_layers, num_decoder_layers=num_layers
        )

        self.preference_embedding = nn.Embedding(64, 32)

        self.output_layer = nn.Linear(64, 1)

    def forward(self, user_id, item_id, preference):
        user_emb = self.user_embedding(user_id)
        item_emb = self.item_embedding(item_id)
        preference_emb = self.preference_embedding(preference)

        attn_output, _ = self.transformer(user_emb, item_emb)
        output = self.output_layer(attn_output + preference_emb)
        return output