MLP с усилением фильтрацией — всё, что нужно для последовательной рекомендации

Filter-enhanced MLP is All You Need for Sequential Recommendation
Kun Zhou, Hui Yu, Wayne Xin Zhao, Ji–Rong Wen
2022-04-25

FMLP-Recархитектура на основе MLPфильтрация в частотной областиобучаемые фильтрыпоследовательная рекомендация
В последнее время глубокие нейронные сети, такие как рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN) и трансформеры, применяются для последовательной рекомендации, целью которой является выявление динамических характеристик предпочтений пользователей на основе зарегистрированных данных об их поведении для формирования точных рекомендаций. Однако на онлайн-платформах зарегистрированные данные о поведении пользователей неизбежно содержат шум, а глубокие рекомендательные модели склонны к переобучению на этих данных. Для решения этой проблемы мы заимствуем идею алгоритмов фильтрации из обработки сигналов, которые ослабляют шум в частотной области. В ходе эмпирических экспериментов мы обнаружили, что алгоритмы фильтрации могут существенно улучшать репрезентативные модели последовательной рекомендации, а интеграция простых алгоритмов фильтрации (например, полосового режекторного фильтра) с архитектурой, состоящей только из MLP, может даже превосходить конкурентоспособные модели на основе трансформеров. На основе этого мы предлагаем FMLP-Rec — модель, состоящую только из MLP и оснащенную обучаемыми фильтрами, для последовательной рекомендации. Архитектура, состоящая только из MLP, обеспечивает меньшую временную сложность модели, тогда как обучаемые фильтры могут адаптивно ослаблять шумовую информацию в частотной области. Масштабные эксперименты, проведенные на восьми наборах данных из реального мира, демонстрируют превосходство предложенного метода над конкурентоспособными методами на основе RNN, CNN, графовых нейронных сетей (GNN) и трансформеров. Исходный код и данные находятся в открытом доступе по ссылке: https://github.com/RUCAIBox/FMLP-Rec.
1
Сочетание простых фильтров, например полосового заграждающего фильтра, с архитектурой на основе MLP может превосходить конкурентные модели на основе Transformer.
2
Эксперименты на восьми реальных наборах данных показывают, что FMLP-Rec превосходит конкурентные методы на основе RNN, CNN, GNN и Transformer.
3
FMLP-Rec использует обучаемые фильтры в частотной области для адаптивного подавления шума в последовательностях поведения пользователей.
4
Алгоритмы фильтрации существенно улучшают модели последовательных рекомендаций, подавляя шум в частотной области.
5
Архитектура только на основе MLP обеспечивает меньшую временную сложность по сравнению с рекуррентными, сверточными, графовыми моделями и моделями Transformer.

последовательности зарегистрированного поведения пользователей на онлайн-платформах для последовательной рекомендации

моделирование динамических предпочтений пользователей и подавление шума в частотной области для точной последовательной рекомендации

Publication Details
Publication Date
2022-04-25
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Kun Zhou
Hui Yu
Wayne Xin Zhao
Ji–Rong Wen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%