基于个性化数据增强的自监督序列推荐算法

作     者：王帅 史艳翠 

作者机构：天津科技大学人工智能学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62377036) 

主　　题：序列推荐 自监督学习 数据增强 推荐系统 数据特征 

摘      要：序列推荐算法旨在根据用户历史行为建模其不断变化的兴趣，并预测其可能感兴趣的下一项内容。为了有效缓解数据稀疏性问题，研究了对比式自监督学习在序列推荐中的应用。首先，针对随机数据增强易引入数据噪声的问题，提出了融合用户偏好的个性化数据增强方法，通过用户评分引导增强过程，同时对长短序列使用不同的增强方法组合，生成符合用户偏好的增强序列；其次，为了解决训练中出现的数据特征学习不平衡问题，设计了一种混合增强训练法，在训练前期，通过随机选择增强方法生成增强序列，提高模型的性能和泛化能力，在训练后期，选择与原始序列相似度较高的增强序列，使模型全面地学习用户的实际偏好和行为模式；最后，将传统的序列预测目标与自监督学习目标相结合，推断出用户的表示。在数据集Beauty、Toys和Sports上进行了实验验证，相较于基线模型中的最好结果，指标HR@5分别提升了6.61%、3.11%和3.76%，指标NDCG@5分别提升了11.40%、3.50%和2.16%，上述实验结果验证了该模型的合理性和有效性。