基于噪声扰动生成正样本对的序列推荐模型

摘要

虽然SASRec(self-attention sequential recommendation)模型在稀疏性数据集和稠密型数据集上的结果都优于各种序列推荐模型，但是在序列推荐中也会受到表征退化的困扰，即高频出现的物品常常会集中在表征空间的一小块区域，从而降低推荐性能。为了解决该问题，引入了一个对比学习损失函数，在embedding空间里添加高斯噪声做数据增强，并使用原始物品序列和数据增强后的物品序列来构建正样本对，促使相似实例在映射空间里的距离越近越好，不同实例在映射空间里的分布呈现均匀性，尽可能让实例映射成embedding之后还能保留自己的个性化信息。对两个基准数据集的综合实验研究表明，该对比学习模型方法可以平滑地调整学习表示的流行度偏差。该对比学习基于图推荐模型SGL(self-supervised graph learning for recommendation)，该模型在表示学习中存在负采样偏差，提出的模型可以有效地提高推荐性能。

关键词

序列推荐 / 对比学习 / 高斯噪声 / 数据增强