Cascading: Association Augmented Sequential Recommendation
近年来,基于用户行为的推荐在许多应用场景中显示出良好的效果。一般来说,现实世界中的顺序用户行为通常反映了顺序影响和关联关系的混合。然而,现有的顺序推荐方法主要集中在顺序关系,而忽略了关联关系。在本文中,我们提出了一个统一的方法,结合项目关联和顺序关系的顺序推荐。具体来说,我们编码的项目关联关系的项目共生图和挖掘它通过图嵌入的GCN。同时,我们通过一种广泛使用的基于RNN的顺序推荐方法GRU4Rec来建模顺序关系。这两个部分连接成一个级联式的端到端网络,这保证了项目关联和顺序关系的表示同时学习,使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量的实验:淘宝,亚马逊即时视频和亚马逊手机及配件。综合结果表明,该方法优于几个国家的最先进的方法。此外,还提供了一个定性的分析,以鼓励更好地了解在顺序推荐的关联关系,并说明性能增益正是从项目关联。
2019-10-17 cs.IR
Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals
KAIST(韩国科学技术院)
本文提出SCAR方法,利用从用户-物品交互中提取的协同信号生成伪交互进行数据增强,而非移除信息,从而提升图协同过滤对比学习效果,在四个基准数据集上优于现有方法且在稀疏场景表现突出。
2025-11-04 cs.IR
Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出AdaTTA框架,通过强化学习动态选择序列特定的增强策略,提升序列推荐的准确性,实验证明在Home数据集上提升26.31%。
2026-04-17 cs.IR
Hierarchical Contrastive Learning with Multiple Augmentation for Sequential Recommendation
针对序列推荐中对比学习增强方法结构简单、条件有限的问题,提出HCLRec框架,通过分层组合多重增强生成多级视图对,并利用Transformers与PFFN模块学习序列不变性,在稀疏交互下取得优于现有方法的鲁棒推荐性能。
2023-08-07 cs.IR
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模,捕捉用户的动态意图,能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上,而忽略了推荐多样性,尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR,因为它们假设用户意图是静态的,并依赖于后处理的建议列表,以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型,称为意图感知的多样化顺序推荐(IDSR)。具体来说,我们引入了一个隐式意图挖掘模块(IIM)到SR捕捉不同的用户意图反映在用户的行为序列。然后,我们设计了一个意图感知的多样性促进(IDP)损失来监督IIM模块的学习,并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明,IDSR在推荐多样性方面明显优于最先进的方法,同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation
Dongguan University of Technology(东莞理工学院);City University of Hong Kong(香港城市大学);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院);Tsinghua University(清华大学);Chinese University of Hong Kong(香港中文大学);University of Hawaii(夏威夷大学);Capital University of Economics and Business(首都经济贸易大学);SenseTime Research(商汤科技研究院)
本文提出Llama4Rec框架,通过相互增强和自适应聚合结合传统推荐方法和大语言模型,提升推荐性能。
2026-01-18 cs.IR
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式,以建模用户如何在项目之间传输。然而,在许多实际场景中,有大量的冷启动用户,只有最少的记录交互。其结果是,现有的顺序推荐模型将失去其预测能力,由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中,我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL,学习模型的过渡模式的用户通过元学习。具体而言,建议MetaTL:(i)制定顺序推荐冷启动用户作为一个少样本学习问题;(ii)提取动态过渡模式与基于预防的架构用户之间;(iii)采用Meta过渡学习,使快速学习的冷启动用户只有有限的互动,导致准确的推理顺序的互动。
2021-07-13 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而,大多数以前的工作顺序推荐不考虑多样性,并争取最大的准确性,导致同质的建议。在本文中,我们考虑到准确性和多样性,提出了一个属性感知的多样化顺序推荐(ADSR)。具体而言,ADSR利用可用的属性信息时,建模用户的顺序行为,同时学习用户的最有可能的项目进行交互,以及他们的属性偏好。然后,ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明,ADSR可以有效地提供多样化的建议,同时保持准确性。
2020-08-03 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题,提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型,在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时,常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面,我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面,推荐系统社区很少研究为顺序推荐设计的相似性度量。因此,在本文中,我们专注于设计一种新的相似性度量称为位置感知相似性(PAS)的顺序推荐。建议PAS是,据我们所知,第一个计数为基础的相似性度量,同时捕获的序列模式,从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究,其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能,包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战,提出DIDA-CDR框架,采用可插值数据增强和解耦模块,在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation
针对推荐数据稀疏及正样本增强难以兼顾准确性与多样性的问题,提出模型无关的 DivSPA,通过多视角候选检索与自蒸馏重排序获得高质量正样本,并经离线、在线验证且已上线部署。
2023-08-15 cs.IR
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University(世宗大学)
针对序列推荐系统,提出SimDiffRec,利用物品嵌入向量相似性生成语义一致噪声,依高置信度选增强位置,结合对比学习提升训练效率与推荐性能,实验表明其优于基线模型。
2026-07-07 cs.IR
Learnable Model Augmentation Self-Supervised Learning for Sequential Recommendation
Soochow University(苏州大学);Suzhou Vocational University(苏州市职业大学);Macquarie University(麦考瑞大学);Beihang University(北京航空航天大学);Rutgers University(罗格斯大学);The University of Central Arkansas(中阿肯色大学)
顺序推荐的目标是根据用户行为预测下一个项目。最近,已经提出了自监督学习(SSL)来提高推荐性能。然而,大多数现有的SSL方法使用统一的数据增强方案,这丢失了原始序列的序列相关性。为此,在本文中,我们提出了一个可学习的模型增强自监督学习顺序推荐(LMA 4 Rec)。具体来说,LMA4Rec首先将模型增强作为数据增强的补充方法来生成视图。然后,LMA4Rec使用可学习的Bernoulli dropout来实现模型增强可学习操作。接下来,在对比视图之间使用自监督学习以从原始序列中提取自监督信号。最后,在三个公开数据集上的实验表明,与基线方法相比,LMA4Rec方法有效地提高了顺序推荐性能.
2022-04-21 cs.IR cs.LG
Automated Self-Supervised Learning for Recommendation
图神经网络(GNN)已经成为协同过滤(CF)的最先进范例。为了提高有限标记数据的表示质量,对比学习在推荐领域引起了人们的关注,并使基于图的CF模型受益匪浅。然而,大多数对比方法的成功在很大程度上依赖于手动生成有效的对比视图,用于基于统计学的数据增强。这不能跨不同的数据集和下游推荐任务进行推广,这难以适应数据增强并且对噪声扰动具有鲁棒性。为了填补这一关键的差距,这项工作提出了一个统一的自动协同过滤(AutoCF)自动执行数据增强的建议。具体来说,我们专注于生成自监督学习框架与可学习的增强范式,有利于重要的自监督信号的自动蒸馏。为了增强表示的鉴别能力,我们的掩码图自动编码器被设计为通过重建掩码子图结构来在增强过程中聚合全局信息。在几个公共数据集上进行实验和消融研究,以推荐产品,场地和位置。结果证明AutoCF相对于各种基线方法的优越性。我们在https://github.com/HKUDS/AutoCF上发布模型实现。
2023-03-21 cs.IR
Disentangled Counterfactual Reasoning for Unbiased Sequential Recommendation
本文提出DCR方法,通过解耦流行度与兴趣表示并构建结构因果图,结合反事实推理消除序列推荐中的流行度偏差,离线实验和在线A/B测试验证了其显著性能提升。
2023-08-05 cs.IR
Data Augmentation as Free Lunch: Exploring the Test-Time Augmentation for Sequential Recommendation
本文探索序列推荐中的测试时增强(TTA),通过在推理时对输入进行增强并聚合预测来提升准确率,避免重训开销;提出TNoise和TMask方法,有效解决了现有增强操作符的效率与干扰问题。
2025-04-30 cs.IR
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法,利用项目关联图融合项目间关联与用户行为序列信息,在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
Contrastive Learning with Bidirectional Transformers for Sequential Recommendation
基于transformer的序列编码器的对比学习在序列推荐中取得了优势。它最大化共享相似语义的成对序列扩增之间的协议。然而,现有的顺序推荐对比学习方法主要采用从左到右的单向Transformers作为基本编码器,由于用户行为可能不是严格的从左到右的顺序,因此这种方法对于顺序推荐来说并不理想。为了解决这个问题,我们提出了一个新的框架,名为\textbf{C}对比学习与\textbf{Bi}定向\textbf{T} transformers顺序推荐(\textbf{CBiT})。具体来说,我们首先应用滑动窗口技术的双向Transformers,这使得用户序列的更细粒度的划分长的用户序列。然后结合完形填空任务模板和丢弃模板生成高质量的正样本并进行多对对比学习,与常规的一对对比学习相比,该方法具有更好的性能和适应性。此外,我们还引入了一种新的动态损失权重调整策略来平衡完形填空任务损失和对比损失。在三个公共基准数据集上的实验结果表明,我们的模型优于最先进的顺序推荐模型。
2022-08-17 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展,但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题,我们提出了一个解决方案,增强了一个知识图谱称为KATRec(知识感知的主动顺序建议)。KATRec通过对用户的交互项目序列进行建模,并通过知识图谱注意力网络利用预先存在的辅助信息,来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明,KATRec的性能优于最先进的推荐模型,并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation
下一兴趣点推荐是基于位置的社交网络中不可或缺的组成部分,它根据用户最近的访问历史向用户推荐未探索的兴趣点。然而,现有的工作主要模型的检入数据作为孤立的POI序列,忽略了关键的合作信号,从交叉序列检入信息。此外,稀疏的POI-POI转换限制了模型学习有效的序列模式进行推荐的能力。在本文中,我们提出了序列到图(Seq 2Graph)增强每个POI序列,允许协作信号传播属于其他序列的相关POI。然后,我们设计了一种新的序列到图形POI推荐器(SGRec),它联合学习POI嵌入,并从图形增强的POI序列推断用户的时间偏好。为了克服POI级交互的稀疏性,我们进一步将类别感知注入SGRec,并使用多任务学习方案捕获更密集的类别转换。因此,SGRec充分利用协作信号来学习表达性POI表示,并全面揭示用于用户偏好建模的多层次序列模式。在两个真实数据集上的大量实验证明了SGRec在下一个POI推荐中相对于最先进方法的优越性。
2022-04-27 cs.IR
Adaptive Diffusion-based Augmentation for Recommendation
Harbin Institute of Technology(哈尔滨工业大学);Capital Normal University(首都师范大学);University of Surrey(萨里大学)
ADAR通过生成可控的负样本提升推荐系统性能,无需修改架构,有效优化决策边界。
2026-01-04 cs.IR
Integrating Offline Reinforcement Learning with Transformers for Sequential Recommendation
针对序列推荐任务,提出一种基于预训练transformer初始化策略网络的完全离线强化学习框架,实验证明其收敛快速稳定且推荐质量优于监督学习方法。
2023-07-26 cs.IR
Recursive Attentive Methods with Reused Item Representations for Sequential Recommendation
序贯推荐的目的是根据用户的历史交互行为推荐用户感兴趣的下一个项目。最近,自我注意力机制已经被用于顺序推荐,并展示了最先进的性能。然而,在这篇手稿中,我们表明,自我注意力为基础的顺序推荐方法可能会受到本地化赤字问题。因此,在这些方法中,在前几个块上,项目表示可能会迅速偏离其原始表示,从而损害后续块中的学习。为了缓解这个问题,在这篇手稿中,我们开发了一个递归注意的方法与重用的项目表示(RAM)的顺序推荐。我们在六个公共基准数据集上将RAM与五种最先进的基线方法进行了比较。我们的实验结果表明,RAM显着优于基准方法的基准数据集,提高了11.3%。我们的稳定性分析表明,RAM可以实现更深、更宽的模型,从而获得更好的性能。我们的运行时性能比较表明,RAM在基准数据集上也可以更有效。
2022-09-16 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题,提出感知多样性的自校正序列推荐网络DivNet,可同时捕捉序列物品交互评估效用并实现推荐多样化,离线在线实验均优于基线方法。
2024-11-01 cs.IR
Parallel Split-Join Networks for Shared-account Cross-domain Sequential Recommendations
顺序推荐是一项任务,其中一个模型和使用顺序信息的用户行为的推荐目的。我们在一个特别具有挑战性的背景下研究顺序推荐,其中多个个人用户共享一个帐户(即,他们具有共享帐户)并且其中用户行为在多个域中可用(即,建议是跨域的)。这两个特点给传统的顺序推荐任务带来了新的挑战。首先,我们需要识别与同一帐户下的不同用户和不同用户角色相关联的行为,以便在正确的时间向正确的用户角色推荐正确的项目。其次,我们需要识别一个领域中可能有助于改进其他领域中的推荐的行为。在这项工作中,我们研究了共享帐户跨域顺序推荐,并提出了并行分裂-加入网络(PSJNet),一个并行建模网络,以解决上述两个挑战。我们提出了PSJNet的两个变体,PSJNet-I和PSJNet-II。PSJNet-I是一个“split-by-join”框架,它将混合表示拆分为特定于角色的表示,并将它们连接起来以同时获得每个时间戳的跨域表示。PSJNet-II是一个“拆分-连接”框架,它首先在每个时间戳拆分特定于角色的表示,然后将所有时间戳和所有角色的表示连接起来以获得跨域表示。我们使用两个数据集来评估PSJNet的有效性。我们的实验结果表明,PSJNet在MRR和召回方面优于最先进的顺序推荐基线。
2021-04-13 cs.IR
Improve Temporal Awareness of LLMs for Sequential Recommendation
本文针对LLMs时间感知不足的问题,提出三种利用历史交互时间信息的提示策略并聚合排序结果,在MovieLens-1M和Amazon Review上显著提升序列推荐的零样本性能。
2024-05-05 cs.IR
BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
University of Science and Technology of China(中国科学技术大学);iFLYTEK Co., Ltd.(科大讯飞股份有限公司)
BLADE通过双融合建模和行为级数据增强,提升多行为序列推荐的性能和泛化能力。
2025-12-15 cs.IR
Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation with Pre-training
针对序列推荐中短交互序列学习难、传统增强易破坏时间动态的问题,提出带预训练的双向时间数据增强方法BARec,通过双向增强与知识微调合成真实伪前置物品,在5个基准数据集上长短序列场景均表现更优,且具备可解释性。
2025-02-24 cs.IR
Explanation Guided Contrastive Learning for Sequential Recommendation
最近,对比学习已被应用到顺序推荐任务,以解决数据稀疏所造成的用户与少数项目的互动和项目与少数用户采用。然而,现有的基于对比学习的方法不能确保通过对给定锚用户序列的一些随机增强(或序列采样)获得的正(或负)序列保持语义相似(或不同)。当正序列和负序列分别被证明是假阳性和假阴性时,可能导致推荐性能下降。在这项工作中,我们解决了上述问题,提出了解释引导增强(EGA)和解释引导对比学习顺序推荐(EC4SRec)模型框架。EGA背后的核心思想是利用解释方法来确定项目在用户序列中的重要性,并相应地导出正序列和负序列。然后,EC4SRec结合了对EGA操作生成的正序列和负序列的自监督和监督对比学习,以改进序列表示学习,从而获得更准确的推荐结果。在四个真实世界的基准数据集上的大量实验表明,EC4SRec优于最先进的顺序推荐方法和两个最近的基于对比学习的顺序推荐方法,CL4SRec和DuoRec。我们的实验还表明,EC4SRec可以很容易地适应不同的序列编码器骨干(例如,GRU4Rec和Caser),并提高其推荐性能。
2022-09-03 cs.IR
Context-Aware Attention-Based Data Augmentation for POI Recommendation
随着基于位置的社交网络(LBSNs)的快速发展,兴趣点推荐(POI)在近十年得到了广泛的研究。最近,作为POI推荐的自然延伸,下一个POI推荐备受关注。它的目的是建议下一个兴趣点的空间和时间的背景下,这是一个实际的,但在各种应用中具有挑战性的任务给用户。现有的方法主要是对时空信息进行建模,并通过用户的轨迹记忆历史模式进行推荐。然而,它们遭受缺失和不规则检入数据的负面影响,这显著影响了模型性能。在本文中,我们提出了一种基于注意力的序列到序列生成模型,即POI增强Seq 2Seq(PA-Seq 2Seq),通过使签到记录均匀间隔来解决训练集的稀疏性。具体地,编码器总结每个签入序列,并且解码器基于编码信息预测可能的丢失签入。为了学习用户历史之间的时间感知相关性,我们采用本地注意力机制来帮助解码器在预测某个丢失的签入点时关注特定范围的上下文信息。已经进行了广泛的实验,在两个真实世界的检入数据集,Gowalla和Replikite,性能和有效性评估。
2021-06-30 cs.IR
ID-Agnostic User Behavior Pre-training for Sequential Recommendation
近年来,顺序推荐成为一个被广泛研究的课题。现有的研究主要是设计有效的神经网络结构来基于项目ID对用户行为序列进行建模。然而,这种方法高度依赖于用户-项目交互数据,而忽略了用户偏好的相似项目之间的属性或特征级相关性。鉴于这些问题,我们提出IDA-SR,这代表身份不可知的顺序推荐用户行为预训练方法。IDA-SR不是显式地学习项ID的表示,而是直接从富文本信息中学习项表示。为了弥补文本语义和序列用户行为之间的差距,我们使用预训练的语言模型作为文本编码器,并对序列用户行为进行预训练架构。通过这种方式,项目文本可以直接用于顺序推荐,而不依赖于项目ID。大量的实验表明,所提出的方法可以实现可比的结果时,只使用ID不可知的项目表示,并表现得比基线时,与ID信息进行微调时,有很大的利润。
2022-06-06 cs.IR
A Systematic Replicability and Comparative Study of BSARec and SASRec for Sequential Recommendation
本研究基于EasyRec通用框架重新实现SASRec与BSARec两种序列推荐模型,公平对比验证了BSARec的频率增强组件确有性能提升,但幅度低于原报告,凸显实现细节对推荐算法性能对比的重要性。
2025-06-17 cs.IR
Equivariant Contrastive Learning for Sequential Recommendation
提出等变对比学习框架ECL-SR,使序列推荐模型对侵入性增强敏感、对温和增强不敏感,在四个基准数据集上取得与最先进模型竞争的性能。
2024-03-17 cs.IR
Guided Diffusion-based Counterfactual Augmentation for Robust Session-based Recommendation
针对基于会话推荐中的流行度偏差与分布外泛化问题,提出引导扩散反事实数据增强框架,离线和在线实验表明其显著优于基线,并提升冷门物品的Recall与CTR。
2024-10-29 cs.IR
DACSR: Decoupled-Aggregated End-to-End Calibrated Sequential Recommendation
针对序列推荐中仅追求准确性导致的公平性和多样性问题,提出端到端校准框架DACSR,通过目标函数校准和分布修改,实现准确且校准的推荐。
2022-10-21 cs.IR
Mamba4Rec: Towards Efficient Sequential Recommendation with Selective State Space Models
本文提出Mamba4Rec,首次将选择性状态空间模型Mamba用于序列推荐,通过设计序列建模技术在保持推理效率的同时提升效果,并在公开数据集上优于RNN和注意力基线。
2024-06-29 cs.IR
A Framework for Elastic Adaptation of User Multiple Intents in Sequential Recommendation
本文提出增量学习框架IMA及升级版EMA,通过保留现有意图、检测新意图和修剪机制解决序列推荐中用户意图动态增长与遗忘问题,并在内存限制下弹性压缩意图。
2025-04-30 cs.IR
One for Dozens: Adaptive REcommendation for All Domains with Counterfactual Augmentation
针对多领域推荐面临数十领域时参数膨胀与数据稀疏问题,提出AREAD,采用层级专家网络与迭代掩码剪枝,并利用反事实增强数据,实验证明其在二十多个领域数据集上有效。
2024-12-18 cs.IR
Mixed Information Flow for Cross-domain Sequential Recommendations
跨领域的顺序推荐是根据用户在多个领域中过去的顺序行为来预测用户下一个最有可能交互的项目。跨领域顺序推荐的关键问题之一是如何把握和传递多个领域的信息流,以促进所有领域的推荐。以往的研究通过探索来自不同领域的项目之间的联系来研究行为信息的流动。知识的流动(即,不同领域的知识之间的联系)迄今为止一直被忽视。在本文中,我们提出了一个混合信息流网络的跨域顺序推荐考虑行为的信息流和知识流的行为转移单元和知识转移单元。所提出的混合信息流网络能够决定何时应该使用跨域信息,并且如果是这样,则应该根据用户的当前偏好使用哪些跨域信息来丰富序列表示。在四个电子商务数据集上进行的大量实验表明,混合信息流网络能够通过建模混合信息流来进一步提高不同领域的推荐性能。
2020-12-05 cs.IR
Intrinsically Motivated Reinforcement Learning based Recommendation with Counterfactual Data Augmentation
深度强化学习(Deep Reinforcement Learning,DRL)在最近的文献中已经被证明在捕获用户的动态兴趣方面是有效的。然而,训练DRL代理是具有挑战性的,因为在推荐系统(RS)的稀疏环境中,DRL代理可能会花费时间探索信息丰富的用户-项目交互轨迹或使用现有的轨迹进行策略学习。它也被称为探索和开发权衡,当环境稀疏时,它会显着影响推荐性能。在推荐系统中,RS Agent需要深入探索信息轨迹并有效地利用它们,因此在DRL RS中平衡探索和利用更具挑战性。作为解决这个问题的一步,我们设计了一种新的内在的,主动的强化学习方法,以增加在稀疏环境中探索信息交互轨迹的能力,通过反事实增强策略进一步丰富,以更有效地利用。在六个离线数据集和三个在线仿真平台上的大量实验表明,我们的模型优于一组现有的最先进的方法。
2022-09-17 cs.IR
Cross-domain novelty seeking trait mining for sequential recommendation
迁移学习在过去的几十年里吸引了大量的兴趣和研究,并且已经做出了一些努力来构建更精确的推荐系统。大多数先前的转移推荐系统假设目标域与辅助源域共享相同/相似的评级模式,这用于提高推荐性能。然而,据我们所知,几乎这些作品都没有考虑到顺序数据的特点。在本文中,我们研究了新的跨域推荐场景挖掘新奇寻求特质。心理学的研究表明,新奇寻求特质与消费者行为密切相关,这对在线推荐有着深远的商业影响。由于数据的稀缺性和稀疏性,以往的工作仅针对单个目标领域,可能无法很好地刻画用户的新奇寻求特征,从而导致推荐性能不佳。在此基础上,提出了一种新的跨领域新奇寻求特征挖掘模型(CDNST),通过转移辅助源领域的知识来提高顺序推荐性能。我们进行了系统的实验,从豆瓣(www.douban.com)抓取的三个领域的数据集,以证明所提出的模型的有效性。此外,我们还分析了时序数据的时态特性对CDNST性能的影响,并进行了仿真实验来验证我们的分析。
2018-03-05 cs.IR
SimAug: Enhancing Recommendation with Pretrained Language Models for Dense and Balanced Data Augmentation
针对推荐系统数据稀疏和不平衡问题,提出基于预训练语言模型文本相似度的数据增强方法SimAug,作为即插即用预处理组件,在九个数据集上提升了推荐效用与公平性。
2025-05-03 cs.IR
Leveraging Large Language Models for Sequential Recommendation
本文研究如何利用大语言模型改进序列推荐,提出三种方法,并证明用 LLM 嵌入初始化 BERT4Rec 可将 NDCG 提升 15-20%。
2023-09-17 cs.IR
Self-Attentive Sequential Recommendation with Cheap Causal Convolutions
顺序推荐是当前的一个研究热点,它利用用户的行为序列作为输入来预测用户的未来行为。基于自我注意力机制的模型通过点积估计历史行为的相关强度,可以捕捉序列的长期偏好。然而,它有两个局限性。一方面,它没有有效地利用项目的本地上下文信息时,确定的注意力和创建的序列表示。另一方面,卷积层和线性层通常包含冗余信息,这限制了对序列进行编码的能力。本文提出了一种基于廉价因果卷积的自注意顺序推荐模型。它利用因果卷积来捕获项目的局部信息,以计算注意力并生成序列嵌入。它还使用廉价的卷积,以提高表示的轻量级结构。我们评估所提出的模型的有效性,准确和校准的顺序推荐。在基准数据集上的实验表明,该模型在单目标和多目标推荐场景下都有较好的推荐效果。
2023-02-22 cs.IR
A Survey on Sequential Recommendation
本文从项目属性构建的新视角综述序列推荐,系统总结纯ID、多模态、生成式、大语言模型驱动等最新技术,并介绍开放域、数据驱动等前沿方向,为该领域提供研究路线图。
2025-03-13 cs.IR
A Contextual-Aware Position Encoding for Sequential Recommendation
针对序列推荐中传统位置编码性能有限、定制化研究不足的问题,提出首个专门面向序列推荐的上下文感知位置编码方法CAPE,可提升多类骨干模型效果,在基准测试和工业部署中均验证了有效性。
2025-02-22 cs.IR
Enriching Sequential Recommendation with Graph Laplacian Positional Embeddings
HSE University(高等经济大学)
本文提出用图拉普拉斯位置嵌入替代序列推荐中的可学习位置嵌入,在SASRec上构建物品共现图并利用其特征向量,实验表明该方法在多个基准上提升性能,证明图结构可有效替代顺序编码。
2026-09-28 cs.IR
MLSA4Rec: Mamba Combined with Low-Rank Decomposed Self-Attention for Sequential Recommendation
School of Computer Science, South China Normal University(华南师范大学计算机学院)
MLSA4Rec通过结合Mamba和低秩分解自注意力,提升序列推荐的准确性与效率。
2024-07-18 cs.IR
Look into the Future: Deep Contextualized Sequential Recommendation
针对现有序列推荐仅依赖用户历史行为、忽略未来信息的问题,提出LIFT框架,通过融合自身历史与其他用户相似交互的跨时序上下文,结合行为掩码预训练,在5个真实数据集的两类任务上显著优于基线模型。
2024-08-14 cs.IR
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中,为购买的商品撰写评论是表达用户意见的一个独特渠道。最近,已经提出了许多基于深度学习的解决方案,通过利用用户评论进行评级预测。相比之下,很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中,我们提出了一个新的评论驱动的神经顺序推荐模型(RNS),考虑用户的内在偏好(长期)和顺序模式(短期)。详细地说,RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列,我们设计了一个新的层次注意力机制注意力机制,以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明,RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Sequential Recommendation with Diffusion Models
针对现有生成模型在序列推荐中的后验坍缩和模型坍缩问题,提出基于扩散模型的DiffRec框架,通过修改扩散过程处理离散数据并仅对目标项目加噪,配合高效训练推理策略,在三个公开数据集上超越最先进方法。
2023-06-22 cs.IR
Is Contrastive Learning Necessary? A Study of Data Augmentation vs Contrastive Learning in Sequential Recommendation
本研究通过基准测试八种数据增强策略与对比学习方法,发现仅用数据增强即可在序列推荐中达到相当或更优性能,且计算开销更小。
2024-03-17 cs.IR
Designing a Sequential Recommendation System for Heterogeneous Interactions Using Transformers
虽然许多生产就绪和鲁棒的算法可用于推荐系统的任务,但这些系统中的许多系统不考虑用户的消费顺序。消费的顺序在许多场景中非常有用和重要。一种这样的场景是教育内容推荐,其中用户通常遵循朝向更高级课程的渐进路径。研究人员已经使用RNN构建了序列推荐系统和其他处理序列的模型。顺序推荐系统试图通过读取用户的历史来预测用户的下一个事件。随着Transformers在自然语言处理中的巨大成功,以及它们使用注意力机制来更好地处理序列,已经有人尝试使用这一系列模型作为新一代顺序推荐系统的基础。在这项工作中,通过将每个用户与项目的交互转换为一系列事件,并基于我们的架构上的Transformers,我们试图使这样一个模型,考虑到不同类型的事件的使用。此外,通过认识到某些事件必须在其他类型的事件发生之前发生,我们试图修改架构以反映这种依赖关系并增强模型的性能。
2022-04-30 cs.IR