摘要:
了解用户对项目上下文的偏好是获得高质量多媒体推荐的关键。通常，项目的预先存在的特征来自预先训练的模型（例如，从某些神经网络提取的微视频的视觉特征），然后引入推荐框架（例如，协同过滤）以捕获用户偏好。然而，我们认为这样的范例不足以输出令人满意的用户表示，这很难很好地描述个人兴趣。关键原因是，目前的作品基本上没有触及用户意图，因此未能对用户的这种信息表示进行编码。在这项工作中，我们的目标是从项目的交互模式中学习多层次的用户意图，从而获得用户和项目的高质量表示，并进一步提高推荐性能。为此，我们开发了一个新的框架，分层用户意图图网络，它以分层图结构展示用户意图，从细粒度意图到粗粒度意图。特别是，我们通过递归执行两个操作来获得多级用户意图：1）内部级聚合，从交互项图中提取与用户意图相关的信号；2）层间聚合，它在更高的层次上构成超级节点，通过在较低的层次上收集节点的表示来建模更粗粒度的用户意图。然后，我们将用户和项目表示细化为发现意图的分布，而不是简单的预先存在的特征。为了证明我们模型的有效性，我们在三个公共数据集上进行了广泛的实验。我们的模型比最先进的方法（包括MMGCN和DisenGCN）有了显著的改进。此外，通过可视化项目表示，我们提供了用户意图的语义。

介绍:

在这项工作中，我们提出了在多媒体推荐系统中为用户和项目表示学习建模用户意图及其结构。为此，我们开发了一个基于图卷积网络的新框架，该框架显式地建模了一个层次图来表示多级用户意图。通过对构建的协同交互项图执行信息聚合操作，该模型学习历史交互记录中隐含的用户意图，并在细粒度和粗粒度用户意图之间建立关系。最终，基于用户意图的用户和项目特征为我们提供了可解释的高质量建议。据我所知，这是第一次尝试在没有任何外部信息（如用户社交信息和人口统计信息）的情况下，在推荐系统中显式地建模用户意图。在未来，仍有许多扩展需要我们继续探索。例如，我们将进一步研究多种模式之间的用户意图关系。虽然用户的偏好取决于不同的模式，但我们相信，一致性可能会出现在一般层面。此外，我们通过引入外部用户的社会信号和项目的知识信息来扩展我们的工作，旨在了解用户意图、社会关系和项目知识之间的可解释联系。