释放邻居的潜能：基于扩散的潜在邻居生成用于会话推荐

会话推荐旨在预测匿名用户当前会话交互后可能感兴趣的下一个物品。近期研究表明，检索邻近会话以增强当前会话可有效缓解数据稀疏问题并提高推荐性能。然而，现有方法通常依赖显式观察到的会话数据，忽略潜在邻居——这些邻居虽未直接观察，但可能在兴趣空间内具有相关性，从而未能充分发挥邻近会话在推荐中的潜能。为此，我们提出一种名为 DiffSBR 的基于扩散的潜在邻居生成模型用于会话推荐。具体而言，DiffSBR 利用两个扩散模块，包括检索增强扩散和自增强扩散，来生成高质量的潜在邻居。在检索增强扩散模块中，我们利用检索得到的邻居作为约束信号，以约束和重构潜在邻居分布的生成。同时，我们采用一种训练策略，使检索器能够从生成器提供的反馈中学习。在自增强扩散模块中，我们通过对比学习注入当前会话的多模态信号，以明确引导潜在邻居的生成。获得生成的潜在邻居后，我们利用它们来增强会话表征，以提高会话推荐性能。在四个公开数据集上进行的大量实验表明，DiffSBR 能生成有效的潜在邻居，并优于基于最新方法的基线模型。