基于子序列临时操作的样本丰富化用于顺序推荐

顺序推荐利用交互序列预测后续用户行为，这在构建个性化推荐方面至关重要。然而，用户的真实偏好是内在的且高度维度的，而观察到的数据仅是对丰富偏好的简化和低维投影，这常导致数据稀疏和模型训练不准确的问题。为了从稀疏数据中学习真实偏好，大多数现有工作致力于引入额外信息或设计巧妙的模型。尽管这些方法已显示有效，但额外信息通常增加了数据收集的成本，复杂模型可能导致部署困难。我们创新性地避免使用额外信息或修改模型；相反，通过随机性填补观察数据与底层偏好之间的转换空间。具体而言，我们提出了一种新颖且模型无关且高度通用的框架，用于顺序推荐，称为通过子序列临时操作进行样本丰富化（SETO），该框架在训练中通过序列增强操作（带理性约束）临时分别丰富转换空间。转换空间不仅存在于输入样本到偏好的过程中，也存在于偏好到目标样本的过程中。我们在多个真实世界数据集上（包括三个单域数据集、三个跨域数据集和一个大规模行业数据集）评估了SETO在多个代表性和最先进的顺序推荐模型（包括六个单域顺序模型和两个跨域顺序模型）上的有效性和灵活性。