均匀序列更优：面向序列推荐的时间间隔感知数据增强
信息检索
2023-12-19 v2 机器学习
摘要
序列推荐是一项基于已交互物品序列预测下一访问物品的重要任务。多数现有工作将用户偏好学习为从前一物品到下一物品的转移模式，忽略了两物品间的时间间隔。然而，我们观察到序列中的时间间隔可能差异显著，并因偏好漂移问题导致用户建模失效。实际上，我们开展了实证研究验证该现象，发现具有均匀分布时间间隔的序列（记为均匀序列）比时间间隔差异巨大的序列更利于性能提升。因此，我们从时间间隔视角提出序列数据增强方法，此为文献中尚未研究之方向。具体而言，我们设计五种算子（Ti-Crop、Ti-Reorder、Ti-Mask、Ti-Substitute、Ti-Insert），在考虑时间间隔方差的前提下将原始非均匀序列转换为均匀序列。继而，我们设计一种控制策略以对不同长度的物品序列执行数据增强。最后，我们在前沿模型CoSeRec上实现上述改进，并在四个真实数据集上验证方法。实验结果表明，我们的方法显著优于其他11种对比方法。我们的实现已公开：https://github.com/KingGugu/TiCoSeRec。
引用
@article{arxiv.2212.08262,
title = {Uniform Sequence Better: Time Interval Aware Data Augmentation for Sequential Recommendation},
author = {Yizhou Dang and Enneng Yang and Guibing Guo and Linying Jiang and Xingwei Wang and Xiaoxiao Xu and Qinghui Sun and Hong Liu},
journal= {arXiv preprint arXiv:2212.08262},
year = {2023}
}
备注
9 pages, 4 figures, AAAI-2023