用于基于会话推荐的自我监督图协同训练

基于会话的推荐旨在利用短时间内的用户行为进行下一项预测。与其他推荐范式相比,由于极其有限的短期交互,基于会话的推荐更容易受到数据稀疏问题的困扰。能够从原始数据中发现真实样本的自我监督学习在解决该问题方面具有巨大潜力。然而,现有的自我监督推荐模型主要依赖物品/片段丢弃来增强数据,这不适合基于会话的推荐,因为丢弃会导致数据更加稀疏,产生无用的自我监督信号。在本文中,为了进行信息丰富的基于会话的数据增强,我们将自我监督学习与协同训练相结合,随后开发了一个增强基于会话推荐的框架。在技术上,我们首先利用基于会话的图来增强两个视图,以展示会话的内部和外部连通性,然后在这两个视图上构建两个不同的图编码器,这些编码器递归地利用不同的连通性信息生成真实样本,通过对比学习相互监督。与丢弃策略相比,所提出的自我监督图协同训练保留了完整的会话信息并实现了真正的数据增强。在多个基准数据集上的广泛实验表明,在自我监督图协同训练机制下,基于会话的推荐可以得到显著增强,达到了最先进的性能。