UFNRec：利用假负样本进行序列推荐
信息检索
2022-08-09 v1
摘要
序列推荐模型主要在训练过程中优化以区分正样本与负样本，其中负采样作为通过历史记录学习演化用户偏好的重要组成部分。除了从均匀分布子集中随机采样负样本外，许多精细的方法已被提出以挖掘高质量负样本。然而，由于负采样固有的随机性，假负样本在模型训练中不可避免地被收集。当前策略主要侧重于去除此类假负样本，这导致忽视潜在用户兴趣、缺乏推荐多样性、模型鲁棒性较差以及遭受曝光偏差。为此，我们提出一种新颖方法，能够利用假负样本进行序列推荐（UFNRec）以提升模型性能。我们首先设计一种简单策略提取假负样本，然后在后续训练过程中将这些样本转换为正样本。此外，我们构建教师模型为假负样本提供软标签，并设计一致性损失以正则化学生模型与教师模型对这些样本的预测。据我们所知，这是首项利用假负样本而非简单去除它们用于序列推荐的工作。我们使用三个广泛应用的SOTA模型在三个基准公开数据集上进行了实验。实验结果表明，我们提出的UFNRec能有效从假负样本中提取信息并进一步提升SOTA模型的性能。代码可在 https://github.com/UFNRec-code/UFNRec 获取。
引用
@article{arxiv.2208.04116,
title = {UFNRec: Utilizing False Negative Samples for Sequential Recommendation},
author = {Xiaoyang Liu and Chong Liu and Pinzheng Wang and Rongqin Zheng and Lixin Zhang and Leyu Lin and Zhijun Chen and Liangliang Fu},
journal= {arXiv preprint arXiv:2208.04116},
year = {2022}
}