论文标题：Modeling User Fatigue for Sequential Recommendation
作者：Nian Li, Xin Ban, Cheng Ling, Chen Gao, Lantao Hu, Peng Jiang, Kun Gai, Yong Li, and Qingmin Liao
发表：SIGIR 2024
论文链接：
https://dl.acm.org/doi/abs/10.1145/3626772.3657802
开源代码及数据：
https://github.com/tsinghua-fib-lab/SIGIR24-FRec
背景
在现代的在线推荐系统中，针对用户个性化内容的推送已经成为提高用户体验的关键。然而，当推荐内容与用户短期历史接触的内容过于相似时，用户可能会感到疲倦，这种现象被称为用户疲倦。
图1 用户疲倦现象示意
尽管用户疲倦建模对于提升用户体验至关重要，目前的推荐系统中很少有研究探讨这一现象。用户疲倦与推荐系统中常见的多样性和新奇性不同，它代表了用户体验的负面方面。例如，用户如果过于频繁地接触同类视频内容，其观看率会显著下降。
图2 同类别视频有效观看数量增加，观看率下降
模型
针对用户疲倦问题，我们提出了一种在序列推荐中考虑用户兴趣学习的用户疲倦模型FRec。首先利用自注意力机制从历史序列中提取多兴趣表示，以支持疲倦建模。我们构建了一个兴趣-目标物品相似度矩阵ISM，通过物品表征向量在潜在空间中测量目标物品和历史交互物品之间的细粒度相似性。
图3 相似度计算方式
此外，我们引入了一个疲倦增强的多兴趣融合方法来捕捉长期兴趣，具体而言，将特征交叉后的ISM作为多兴趣融合的权重。同时，我们开发了一个疲倦门控循环单元（FRU）用于短期兴趣学习。
图4 疲倦度对用户兴趣的影响建模
为了获取明确的用户疲倦信号，我们基于“重复消费带来更高的疲倦度”的基本假设提出了一种新颖的序列增强技术，并使用对比学习对疲倦预测进行监督。
图5 疲倦度监督信号与对比学习
实验
我们在两个公开数据集和一个大规模工业数据集上进行了广泛的实验。实验结果显示，与当前最先进的模型相比，FRec在各种准确性和排序指标上均有显著提高。例如，在淘宝数据集上，FRec的AUC提高了0.026，GAUC提高了0.019。
表1 公开数据集效果对比
表2 工业数据集效果对比
此外，大规模的在线实验也表明，FRec有效减少了用户疲倦，显著改善了用户体验。
图6 FRec对线上用户疲倦度的缓解
表3 FRec线上部署后用户活跃度与推荐多样性的提升
未来，我们计划将用户疲倦度量作为推荐有效性的一个新维度，进一步推动推荐系统研究中疲倦建模的发展。
