提升序列推荐系统的数据增强策略

序列推荐系统近期通过利用基于深度学习（DL）的方法取得了显著的性能提升。然而，尽管已引入多种基于 DL 的方法，其中大多数仅关注网络结构的变换，忽视了包括数据增强在内的其他影响因素的重要性。显然，基于 DL 的模型需要大量训练数据以良好估计参数并实现高性能，这也促使早期在计算机视觉与语音领域通过数据增强来增加训练数据的努力。本文旨在阐明多种数据增强策略可改善序列推荐系统的性能，尤其在训练数据集不够大时。为此，我们提出一组简单的数据增强策略，均以直接损坏的方式变换原始物品序列，并说明数据增强如何改变性能。在最新基于 DL 的模型上的大量实验表明，应用数据增强可帮助模型更好地泛化，且在训练数据量较小时显著提升模型性能的效果显著。此外，结果表明我们提出的策略可将性能提升至优于或持平先前工作所提现有策略的水平。