合成数据对深度推荐模型性能的影响

推荐系统通过基于用户偏好建议物品来提升用户体验。然而，这些系统常面临数据不平衡的问题，即正向互动远少于负向互动的比例。这一不平衡会导致推荐偏向流行物品。本研究 investigates 使用合成数据生成来解决推荐系统中数据不平衡问题的有效性。本研究使用六种不同的方法生成合成数据。我们的实验方法是使用这些方法生成合成数据并将生成的样本整合到原始数据集中。我们的结果表明，包含生成的负样本可持续地提高 Area Under the Curve (AUC) 分数。合成负样本的显著影响凸显了数据增强策略在解决数据稀疏和不平衡问题方面的潜力，从而导致推荐系统性能的提升。