Effects of Using Synthetic Data on Deep Recommender Models' Performance

推荐系统是通过根据个人偏好推荐物品来增强用户体验的重要工具。然而，这些系统经常面临数据不平衡的挑战，即负面交互比正面交互更多。这种不平衡可能导致偏向流行物品的有偏推荐。本研究调查了合成数据生成在解决推荐系统中的数据不平衡方面的有效性。使用了六种不同的方法来生成合成数据。我们的实验方法涉及使用这些方法生成合成数据，并将生成的样本集成到原始数据集中。我们的结果表明，包含生成的负样本可以持续提高AUC分数。合成负样本的显著影响突显了数据增强策略解决数据稀疏和不平衡问题的潜力，最终导致推荐系统的性能得到改善。

本文旨在解决推荐系统中数据不平衡的问题，即负面交互比正面交互多的情况下如何生成更好的推荐结果。这个问题在推荐系统中很常见，可能会导致偏向热门物品的推荐结果。

本文提出了利用合成数据来解决数据不平衡问题的方法，并尝试了六种不同的合成数据方法。实验结果表明，生成负面样本可以显著提高推荐系统的AUC得分，从而解决数据稀疏和不平衡的问题。

本文的实验结果表明，利用合成数据生成负面样本可以显著提高推荐系统的表现。此外，本文还介绍了六种不同的合成数据方法，并探讨了它们的优缺点。本文使用了公开数据集，并提供了开源代码。

在最近的相关研究中，也有一些学者探讨了如何解决推荐系统中的数据不平衡问题。例如，"Addressing Imbalanced Data in Collaborative Filtering for Personalized Ranking"和"Learning from Imbalanced Data"等论文。