用于序列推荐的即插即用扩散模型

开创性工作已经验证了扩散模型在探索推荐的信息不确定性方面的有效性。考虑到推荐任务与图像合成任务之间的差异，现有方法对扩散和逆过程进行了量身定制的改进。然而，这些方法通常使用语料库中得分最高的物品进行用户兴趣预测，导致忽略了包含在其他物品中的用户泛化偏好，从而仍受到数据稀疏问题的制约。为了解决这个问题，本文提出了一种新颖的推荐即插即用扩散模型（PDRec）框架，该框架将扩散模型作为灵活的插件，以共同充分利用所有物品上的扩散生成用户偏好。具体而言，PDRec 首先通过时间间隔扩散模型推断用户在所有物品上的动态偏好，并提出历史行为重加权（HBR）机制来识别高质量行为并抑制噪声行为。除了观测到的物品外，PDRec 提出了一种基于扩散的正样本增强（DPA）策略，将排名靠前的未观测物品作为潜在正样本，引入信息丰富且多样的软信号以缓解数据稀疏性。为了缓解假负采样问题，PDRec 采用无噪声负采样（NNS）来选择稳定的负样本，以确保有效的模型优化。在四个数据集上的大量实验和分析验证了所提出的 PDRec 优于 SOTA 基线，并展示了 PDRec 作为不同推荐场景中常用序列编码器的灵活插件的普适性。代码可在 https://github.com/hulkima/PDRec 获取。