面向序列推荐的扩散增强
信息检索
2023-09-25 v1 人工智能
摘要
序列推荐（SRS）近来已成为许多应用的技术基础，其旨在基于用户历史交互推荐下一个物品。然而，序列推荐常面临数据稀疏问题，该问题广泛存在于推荐系统中。此外，大多数用户仅与少量物品交互，但现有 SRS 模型在这些用户上往往表现不佳。这一被称为长尾用户的问题仍有待解决。数据增强是缓解这两个问题的明确途径，但其常需人为设计的训练策略或因生成交互质量差而受限。为解决这些问题，我们提出一种面向序列推荐的扩散增强（DiffuASR）以实现更高质量的生成。DiffuASR 增强的数据集可直接用于训练序列推荐模型，无需复杂训练流程。为充分利用扩散模型的生成能力，我们首先提出基于扩散的伪序列生成框架，以填补图像与序列生成之间的鸿沟。随后，设计序列 U-Net 以将扩散噪声预测模型 U-Net 适配到离散序列生成任务。最后，我们开发两种引导策略以使生成序列与原始序列的偏好趋同。为验证所提 DiffuASR，我们在三个真实数据集上结合三种序列推荐模型进行了大量实验。实验结果说明了 DiffuASR 的有效性。据我们所知，DiffuASR 是将扩散模型引入推荐的先驱之一。
引用
@article{arxiv.2309.12858,
title = {Diffusion Augmentation for Sequential Recommendation},
author = {Qidong Liu and Fan Yan and Xiangyu Zhao and Zhaocheng Du and Huifeng Guo and Ruiming Tang and Feng Tian},
journal= {arXiv preprint arXiv:2309.12858},
year = {2023}
}