通过平衡相关性与多样性增强序列推荐
信息检索
2024-12-24 v3
摘要
通过生成新的有效数据，数据增强已成为缓解序列推荐中数据稀疏问题的一种有前景的方法。现有工作侧重于增强原始数据，但很少探索增强数据中相关性与多样性的不平衡问题，导致语义漂移问题或性能提升有限。在本文中，我们提出了一种新颖的序列推荐平衡数据增强插件（BASRec），用于生成相关性与多样性平衡的数据。BASRec 由两个模块组成：单序列增强和跨序列增强。前者利用启发式算子的随机性为单个用户生成多样序列，然后将多样序列与原始序列在表示层面融合以获得相关性。此外，我们设计了一种重加权策略，使模型能够基于这两个属性自适应地学习偏好。跨序列增强在两个方向上对不同序列表示进行非线性混合。它产生足够多样但保留原始序列关键语义的虚拟序列表示。这两个模块增强了模型从单用户和跨用户视角发现细粒度偏好知识的能力。大量实验验证了 BASRec 的有效性。在 GRU4Rec 上平均提升高达 72.0%，在 SASRec 上为 33.8%，在 FMLP-Rec 上为 68.5%。我们证明 BASRec 生成的数据在相关性与多样性之间比现有方法具有更好的平衡。源代码可在 https://github.com/KingGugu/BASRec 获取。
引用
@article{arxiv.2412.08300,
title = {Augmenting Sequential Recommendation with Balanced Relevance and Diversity},
author = {Yizhou Dang and Jiahui Zhang and Yuting Liu and Enneng Yang and Yuliang Liang and Guibing Guo and Jianzhe Zhao and Xingwei Wang},
journal= {arXiv preprint arXiv:2412.08300},
year = {2024}
}
备注
Accepted by AAAI 2025