通过双向时间数据增强与预训练改进序列推荐
信息检索
2025-02-25 v6
摘要
序列推荐系统对于识别时间性用户偏好至关重要。然而，从简短的用户交互序列中学习是一项显著挑战。数据增强已被认为是增强这些序列信息丰富度的有效策略。传统的增强技术（如物品随机化）可能破坏固有的时间动态。尽管近期在逆时序伪物品生成方面的进展显示出前景，但在自然时间顺序语境下评估时可能引入时间偏差。为此，我们提出一种精细方法——带预训练的双向时间数据增强(BARec)。我们的方法利用双向时间增强与知识增强微调来合成保留用户偏好并捕获更深物品语义关联的逼真伪先验物品，从而提升模型的表达能力。我们在五个基准数据集上的综合实验分析证实了BARec在短序列与长序列语境下的优越性。此外，理论检验与案例研究进一步揭示了模型的逻辑过程与可解释性。我们的研究源代码公开于 https://github.com/juyongjiang/BARec。
引用
@article{arxiv.2112.06460,
title = {Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation with Pre-training},
author = {Juyong Jiang and Peiyan Zhang and Yingtao Luo and Chaozhuo Li and Jae Boum Kim and Kai Zhang and Senzhang Wang and Sunghun Kim and Philip S. Yu},
journal= {arXiv preprint arXiv:2112.06460},
year = {2025}
}
备注
Accepted by TKDE