面向顺序推荐的意图增强数据增强方法

顺序推荐算法的研究聚焦于如何基于用户行为数据更好地挖掘动态用户意图，以完成顺序推荐任务。当前许多数据增强方法在实际应用中广泛采用，有效提升了捕获用户意图的能力。然而，这些广泛使用的数据增强方法往往依赖大量随机采样，可能引入过多噪声、模糊用户意图，从而负面影响推荐性能。此外，这些方法在利用增强数据的做法有限，未能充分发挥增强样本的潜力。我们提出一种面向顺序推荐的意图增强数据增强方法（IESRec），通过意图分段插入构建用户行为序列的正负样本。一方面，生成的正样本与原始训练数据混合训练，以提升推荐性能。另一方面，生成的正负样本用于构建对比损失函数，通过自监督训练提升推荐性能。最终，主推荐任务与对比学习损失最小化任务联合训练。在三个真实数据集上的实验验证了 IESRec 模型的有效性。