Debiased Contrastive Learning for Sequential Recommendation
ACM-Yuhao Yang,Chao Huang,Lianghao Xia,Chunzhen Huang,Da Luo,Kangyi Lin-2023
摘要
目前的顺序推荐系统被提出来解决动态用户偏好学习的各种神经技术,如Transformer和图神经网络(GNNs)。然而,从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺问题,最近提出了对比学习(CL)方法以两种方式执行数据增强:(i)随机破坏序列数据(例如,随机掩蔽、重新排序);(ii)跨预定义的对比视图对齐表示。
在解决流行的偏见和用户的一致性和真实的兴趣时,CL为基础的方法有局限性。
本文模型:统一的顺序模式编码与全局协作关系建模,通过自适应一致性感知增强。我们的去偏对比学习框架有效地捕捉了序列内项目转换的模式和序列中用户之间的依赖关系。
介绍
使用RNN或基于注意力的模型来捕获用户随时间推移而变化的兴趣,严重依赖于足够的交互数据和语义丰富的序列,使得它们不足以解决推荐中的稀疏性,短序列和噪声等问题。
我们认为,各种研究领域的现有方法还没有充分解决数据增强中固有的流行性偏差。
在一些模型中,会由于对数据的认知不正确,导致错误的数据增强,从而误导用户偏好学习。我们通过对三个模型(DCRec