基于信息瓶颈原理的多行为推荐中用户意图解耦研究

本文提出多行为意图解耦框架MBID，通过信息瓶颈（IB）原理量化并解耦辅助行为中的虚假相关意图（SCI），保留真实相关意图（GCI）以提升目标行为（如购买）推荐效果。创新性提出时间敏感虚假系数和投影式意图提取方法，在三个真实数据集上验证其超越基线模型的性能。

　　

Highlight

我们提出多行为意图解耦框架MBID，首次从信息瓶颈（IB）视角解决多行为推荐中的意图冲突问题。通过设计时间敏感虚假系数和投影式意图提取方法，有效分离辅助行为中的虚假相关意图（SCI），并基于IB原理构建多意图学习任务，显著提升目标行为推荐效果。

Methodology

MBID框架包含三大核心组件：

1. 1.

   虚假相关系数：通过用户跨行为交互物品的重叠率动态量化SCI

2. 2.

   投影式意图提取：利用正交投影从辅助行为嵌入中分解GCI和SCI

3. 3.

   IB多意图学习：

   • •

     意图解耦：最小化SCI与辅助行为的互信息（MI）

   • •

     目标增强：最大化GCI与目标行为的MI

Experiments

在三个真实数据集上的实验表明：

• •

  RQ1：MBID在HR@20和NDCG@20指标上平均提升9.7%

• •

  RQ2：时间敏感系数使SCI识别准确率提高23.4%

• •

  RQ3：在稀疏数据场景下AUC保持85.2%稳定性

• •

  RQ4：可视化证实GCI与目标意图高度对齐

Conclusion

本研究创新性地将IB原理应用于多行为推荐，通过量化和解耦动态意图，为解决行为数据噪声问题提供了新范式。未来将探索意图的时序演化特性以进一步提升模型解释性。