论文速读——Filter-enhanced MLP is All You Need for Sequential Recommendation

论文速读——Filter-enhanced MLP is All You Need for Sequential Recommendation

过滤器增强型 MLP 是顺序推荐所需的全部

ABSTRACT

最近，RNN、CNN和Transformer等深度神经网络已应用于顺序推荐任务，旨在从记录的用户行为数据中捕获动态偏好特征以进行准确推荐。然而，在在线平台中，记录的用户行为数据不可避免地包含噪声，深度推荐模型很容易对这些记录的数据过度拟合。为了解决这个问题，我们借鉴了信号处理中的滤波算法的思想，可以衰减频域中的噪声。在我们的实证实验中，我们发现过滤算法可以显着改进代表性的顺序推荐模型，并且将简单的过滤算法（例如带阻滤波器）与全 MLP 架构集成甚至可以优于基于 Transformer 的竞争模型。受其启发，我们提出了 FMLP-Rec，这是一种具有可学习过滤器的全 MLP 模型，用于顺序推荐任务。全MLP架构赋予我们的模型较低的时间复杂度，并且可学习的滤波器可以自适应地衰减频域中的噪声信息。在八个真实数据集上进行的大量实验证明了我们提出的方法相对于竞争性 RNN、CNN、GNN 和 Transformer 方法的优越性。我们的代码和数据可通过以下链接公开获取：https://github.com/RUCAIBox/FMLP-Rec。

1 INTRODUCTION

过滤组件在项目表示中减少噪声影响具有重要的作用。作者在每个堆叠块中合并了一个滤波器组件，其中执行快速傅里叶变换（FFT）以将输入表示转换为频域ÿ