基于引导扩散的反事实增强用于鲁棒会话推荐
信息检索
2024-10-30 v1
摘要
会话推荐 (SR) 模型旨在根据用户在当前会话期间的行为，向其推荐 top-K 个项目。文献中提出了多种 SR 模型，然而，人们对其在训练数据（观测数据）中易受固有偏差（如流行度偏差）影响的问题表示担忧。当 SR 模型在有偏差的训练数据上训练时，在现实场景中遇到分布外数据时可能会遇到性能挑战。缓解流行度偏差的一种方法是反事实数据增强。与先前依赖使用 SR 模型生成数据的工作相比，我们专注于利用最先进的扩散模型的能力来生成反事实数据。我们提出了一个基于引导扩散的 SR 反事实增强框架。通过分别在真实世界和模拟数据集上进行的离线和在线实验组合，我们表明我们的方法性能显著优于基线 SR 模型和其他最先进的增强框架。更重要的是，我们的框架在不太流行的目标项目上显示出显著改进，在真实世界和模拟数据集上分别实现了高达 20% 的召回率提升和 13% 的点击率提升。
引用
@article{arxiv.2410.21892,
title = {Guided Diffusion-based Counterfactual Augmentation for Robust Session-based Recommendation},
author = {Muskan Gupta and Priyanka Gupta and Lovekesh Vig},
journal= {arXiv preprint arXiv:2410.21892},
year = {2024}
}