参与拿奖：本文已参与「新人创作礼」活动，一起开启掘金创作之路
论文题目：Intent Contrastive Learning for Sequential Recommendation[1]
论文代码：github仓库
论文来源：WWW2022
一、Motivation
Users’ underlying intents are often unobserved/latent, making it challenging to leverage such latent intents for Sequential recommendation (SR).
User consumption behavior is affected by their potential intention. By capturing users' purchase intention, better recommendation can be made.
用户购买商品的潜在意图是难以观察的，用户的消费行为受其潜在意图的影响，通过正确捕捉用户的购买意图可以进行更好的推荐。
在以前的序列推荐中，大多数模型都只考虑了单一的购买记录，会导致模型给有不同购买记录但有同一个购买目标的用户推荐不同的商品。如下图所示：
图中有两个不同user的购买记录，他们的购买记录不同，但其意图是一样的，如果不能够捕捉其购买意图，就很有可能推荐给两者不同的商品。
二、Model
将一个batch的序列作为输入，进行数据增强之后得到两个视图，然后经过一个transformer再进行聚合，Loss函数如下所示：
主要的模型图如下图所示：
该模型有两部分组成，分别是E-step的意图表示学习和M-steps的意图对比自监督。 E-steps就是简单的K-means聚类，将序列放入一个Transfomer，然后聚合，进行聚类，得到K个可能的意图。 M-steps对于每一条序列，进行数据增强，再放入Transformer，经过聚合得到其意图，然后进行batch内的意图对比学习，Loss函数如下所示：
最后使用多任务学习进行联合训练，总的Loss函数如下：
三、Data & Experments
文中主要使用了Amazon[2]和Yelp[3]的数据集
四、Performance
最右侧使用论文代码跑的结果，从结果可以看出，其实验的结果相较于最强Baseline有较大的margin。
五、Albation Study
A~F从上至下分别是：原始ICLRec、去掉FNM、只保留ICL、去掉ICL、去掉数据增强、SASRec（去掉所有部件）；G和H分别表示S3Rec加上ICL后与不加的对比。
从实验结果可以看出ICL的有效性。
六、Conclusion
ICL can model latent intent factors from user interactions and fuse them into a sequential recommendation model via a new contrastive SSL objective. ICL is formulated within an EM framework, which guarantees convergence.
ICL从交互历史记录中对用户的潜在兴趣进行建模，并通过对比自监督学习将其用于序列推荐，其遵从了最大期望的框架，保证了收敛性。实验结果也表明了该框架的有效性。
七、References
[1]Chen Y, Liu Z, Li J, et al. Intent Contrastive Learning for Sequential Recommendation[J]. arXiv preprint arXiv:2202.02519, 2022.
[2]Amazon review data (ucsd.edu)
[3]Yelp Dataset
