打破聚类：面向基于文本的序列推荐的均匀性优化

传统的序列推荐（SR）方法严重依赖显式物品 ID 来捕捉用户随时间变化的偏好。这种依赖在冷启动场景和领域迁移任务中引入了关键限制，因为在这些场景中，未见过的物品和新上下文通常缺乏已建立的 ID 映射。为了克服这些限制，最近的研究转向利用纯文本信息进行推荐，从而提高模型在跨领域时的泛化能力和适应性。尽管前景广阔，基于文本的 SR 面临着独特的困难：物品的文本描述通常具有语义相似性，这会导致物品表示产生聚类，从而损害其均匀性，而这一属性对于促进推荐系统中的多样性和增强泛化能力至关重要。在本文中，我们探索了一种新颖的框架，以提高基于文本的 SR 中物品表示的均匀性。我们的分析表明，序列内的物品表现出显著的语义相似性，这意味着它们在表示上的距离比整体物品更近，并且这种效应对于不受欢迎的物品更为明显，它们与受欢迎的物品相比会形成更紧密的聚类。基于这些发现，我们提出了 UniT，这是一个采用三种成对物品采样策略的框架：统一通用采样策略、序列驱动采样策略和流行度驱动采样策略。每种策略施加不同程度的排斥力，以选择性地调整物品对之间的距离，从而在兼顾序列上下文和物品流行度的同时，优化表示的均匀性。在多个真实世界数据集上的广泛实验表明，我们提出的方法优于 SOTA 模型，验证了 UniT 在增强表示均匀性和推荐准确性方面的有效性。源代码可在 https://github.com/ccwwhhh/Model-Rec 获取。