预见未来与艰难对抗：用FENRec革新序列推荐
信息检索
2025-04-10 v4
摘要
序列推荐（SR）系统通过分析时间排序的交互序列来预测用户偏好。SR的一个常见挑战是数据稀疏性，因为用户通常只与有限数量的物品交互。虽然对比学习已在先前方法中被用于应对挑战，但这些方法通常采用二元标签，错过了更精细的模式，并忽略了用户后续行为中的详细信息。此外，它们依赖随机采样来选择对比学习中的负样本，这在后期训练阶段可能无法产生足够困难的负样本。在本文中，我们提出了用于序列推荐中对比学习的未来数据利用与持久负样本（FENRec）。我们的方法旨在利用具有时间相关软标签的未来数据，并从现有数据中生成持久的困难负样本，从而增强应对数据稀疏性的有效性。实验结果表明，我们在四个基准数据集上取得了最先进的性能，所有指标平均提升6.16%。
引用
@article{arxiv.2412.11589,
title = {Future Sight and Tough Fights: Revolutionizing Sequential Recommendation with FENRec},
author = {Yu-Hsuan Huang and Ling Lo and Hongxia Xie and Hong-Han Shuai and Wen-Huang Cheng},
journal= {arXiv preprint arXiv:2412.11589},
year = {2025}
}
备注
Our code is available at https://github.com/uikdwnd/FENRec