序列推荐中对比学习模型的Fisher加权合并

随着在线平台和服务的指数级增长，推荐系统已成为基于用户偏好识别相关项目的必要工具。序列推荐领域旨在捕捉随时间演变的用户偏好。为应对动态偏好，人们提出了多种对比学习方法来针对数据稀疏性——这一由于用户-项目交互有限而在推荐系统中存在的挑战。在本文中，我们首次将Fisher-Merging方法应用于序列推荐，解决并克服了与之相关的实际挑战。该方法通过合并多个模型的参数来确保鲁棒微调，从而提升整体性能。通过大量实验，我们证明了所提方法的有效性，凸显了其在推进序列学习与推荐系统SOTA方面的潜力。