대니엘 효과 완화: 대화형 추천을 위한 다중 하이퍼그래프 강화 다중 관심사 자기 지도 학습

Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation

대니엘 효과는 추천 시스템에서 큰 과제입니다. 이 현상은 인기 있는 항목은 더 많은 관심을 받는 반면, 인기가 낮은 항목은 종종 간과되어 기존의 불평등을 심화시키는 경향이 있습니다. 많은 기존 방법들이 정적 또는 준정적 추천 시나리오에서 대니엘 효과를 완화하려고 시도하지만, 사용자가 시스템과 상호 작용함에 따라 이러한 문제는 더욱 두드러질 수 있습니다. 이에 본 논문에서는 대화형 추천 시스템(CRS)의 동적인 사용자-시스템 피드백 루프에서 대니엘 효과를 해결하기 위한 새로운 프레임워크인 다중 하이퍼그래프 강화 다중 관심사 자기 지도 학습(HiCore)을 제안합니다. HiCore는 항목, 개체, 단어 지향적인 여러 채널 하이퍼그래프 집합을 구축하여 다층의 사용자 관심을 학습하고 대니엘 효과를 완화하는 데 목표를 둡니다. 네 개의 CRS 기반 데이터 세트에 대한 광범위한 실험 결과, HiCore가 최첨단 성능을 달성했으며, 이는 대니엘 효과를 효과적으로 완화하는 데 있어 HiCore의 우수성을 입증합니다. 저희 코드는 https://github.com/zysensmile/HiCore 에서 확인하실 수 있습니다.

The Matthew effect is a big challenge in Recommender Systems (RSs), where popular items tend to receive increasing attention, while less popular ones are often overlooked, perpetuating existing disparities. Although many existing methods attempt to mitigate Matthew effect in the static or quasi-static recommendation scenarios, such issue will be more pronounced as users engage with the system over time. To this end, we propose a novel framework, Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation (HiCore), aiming to address Matthew effect in the Conversational Recommender System (CRS) involving the dynamic user-system feedback loop. It devotes to learn multi-level user interests by building a set of hypergraphs (i.e., item-, entity-, word-oriented multiple-channel hypergraphs) to alleviate the Matthew effec. Extensive experiments on four CRS-based datasets showcase that HiCore attains a new state-of-the-art performance, underscoring its superiority in mitigating the Matthew effect effectively. Our code is available at https://github.com/zysensmile/HiCore.