SSDRec：用于序列推荐的自增强序列去噪

传统的序列推荐方法假设用户的序列数据足够干净，可以学习到准确的序列表示以反映用户偏好。在实践中，用户序列不可避免地包含噪声（例如意外交互），导致对用户偏好的错误反映。因此，一些先驱性研究探索了对序列中的序列性和相关性进行建模，以隐式或显式地减少噪声的影响。然而，仅依赖序列内信息（即序列中的序列性和相关性）是不够的，并可能导致过度去噪和去噪不足问题（OUPs），尤其是对于短序列而言。为了提高可靠性，我们提出在去噪之前通过插入项目来增强序列。然而，由于数据稀疏问题和计算成本，从整个物品宇宙中选择合适的项目插入到目标序列的合适位置具有挑战性。受上述观察的启发，我们提出了一种新颖的框架——用于序列推荐的自增强序列去噪（Self-augmented Sequence Denoising for sequential Recommendation, SSDRec），采用三阶段学习范式来解决上述挑战。在第一阶段，我们通过全局关系编码器赋予 SSDRec 能力，以数据驱动的方式学习多方面的序列间关系。这些关系作为先验知识指导后续阶段。在第二阶段，我们设计了一个自增强模块来增强序列，以缓解 OUPs。最后，我们在第三阶段采用分层去噪模块，以减少错误增强的风险并精准定位原始序列中的所有噪声。在五个真实世界数据集上的大量实验证明了 \model 优于最先进的去噪方法，及其在主流序列推荐模型中的灵活应用。源代码地址：https://github.com/zc-97/SSDRec