S3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization

作者：十方，公眾號：煉丹筆記

該模型解決了什么問題？

同樣是序列化建模，為什么S3-Rec說自己要比其他的效果好？該文指出，現有的序列化推薦模型使用target item來計算loss的，例如阿里是用歷史交互序列，預測下一個點擊/轉化的商品。這樣有什么問題？一個是數據過于稀疏，還有就是上下文信息沒有充分被利用。因此S3-Rec引入了自監督學習去解決序列化建模所面臨的問題。

這篇論文的自監督學習簡單來說就是用序列pretrain，然后再用target item做fine-tuning。只是因為推薦場景的特殊性，這篇論文設計了4個自監督學習目標，充分利用序列，屬性，自序列等信息，學到最好的embedding表達。

模型架構圖

直接看這張圖，估計多半是懵逼的。說實話，圖畫的雖然復雜，實際模型其實是相當簡單的。上面4個虛線框，就是4個pretrain的任務。分別是以下4個目標：

• 相關屬性學習
• masked item預測
• masked 屬性預測
• item段預測

說到pretrain，大家會想到啥？沒錯，就是bert。這篇論文原封不動的把bert模型搬了過來，但是改變了預訓練的方式。十方先簡要帶大家回顧一下bert的結構。

bert的每一層，可以簡要概括為兩個部分，MultiHead-Attention和FFN層。MultiHead，顧名思義，大家就理解為self-attention做了好幾次，做了幾次就有幾個head，最后concat即可。FFN就是前饋神經網絡，因為attention提取的是線性特征，需要FFN去挖掘非線性的表達。我們看下公式的表達：

公式很簡單，也不是本文重點，不贅述，實在不記得公式含義的，直接度娘bert即可，接下來我們著重介紹4個預訓練任務。

挖掘item和屬性的關系

我們從上往中間看，i1~in就是item序列，item embedding就是查embeding詞表，bidirectional Self-attention就是bert，總值一個item id序列，到了item-Attribute MIM后，就是一個經過attention變換過的embedding序列。然后我們在從下往上看，Ai1~Ain是i1~in的屬性，模型要學的東西很簡單，就是這個屬性屬不屬于這個item，負樣本隨機負采樣一些屬性即可。loss函數如下:

論文里f函數用的不是點積，而是下面這個公式:

Masked 預測

注意，這一節是兩個目標，十方放一起講，因為實在太類似了。看過bert的讀者肯定深刻理解什么是masked，沒看過bert的，大家就理解為完形填空。在輸入側，我隨機挑選一個item，把它的id置為default，然后attention后，相應位置的向量，用來預估它原本的itemid以及屬性。

預測itemid公式如下:

預測屬性公式如下：

itemid和屬性的負樣本都是隨機負采樣。第一個任務充分挖掘了item和上下文的關系，第二個任務挖掘了屬性和上下午的關系。

子序列關系挖掘

這個就特別有意思了，論文認為，只mask一個item，它的上下文并不能表達這個item。比如你買了個switch，完全是送人，但是你的上下文和游戲一點關聯都沒有，因此如果mask掉一個連續的子序列，那上線文多少都會和這個序列相關吧?；谶@個思想，就有了segment-mask，把序列的一小段mask后，用attention后對應序列的embedding，去預估該子序列的概率，負樣本也是隨機采樣些子序列，公式如下：

結語

最后，基于以上4個pretrain任務，我們做最后的finetuning。論文里用了pairwise rank loss:

實驗當然是bert秒殺所有。

更多干貨，請關注微信公眾號：煉丹筆記

總結

以上是生活随笔為你收集整理的事半功倍：推荐系统Pre-train预训练方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。