Is Contrastive Learning Necessary? A Study of Data Augmentation vs Contrastive Learning in Sequential Recommendation

顺序推荐系统（SRS）旨在基于用户的历史互动数据预测其未来行为。最近的研究越来越多地利用对比学习（CL）来利用无监督信号缓解SRS中的数据稀疏问题。一般来说，基于CL的SRS首先使用数据增强策略增强原始顺序互动数据，并采用对比训练方案来强制执行来自同一原始互动数据的这些序列的表示相似。尽管CL越来越受欢迎，但作为CL的基本组成部分，数据增强并未得到足够的关注。这引发了一个问题：仅通过数据增强是否可能实现更优秀的推荐结果？为了回答这个问题，我们在四个真实世界的数据集上，在温暖和冷启动设置下对八种广泛使用的数据增强策略以及最先进的基于CL的SRS方法进行了基准测试。有趣的是，我们研究得出的结论是，某些数据增强策略可以实现与某些基于CL的方法相似甚至更优秀的性能，从而表明可以通过更少的计算开销显著缓解数据稀疏问题。我们希望我们的研究可以进一步激发更多关于复杂CL技术的关键功能组件的基础研究。我们处理后的数据集和代码可在https://github.com/AIM-SE/DA4Rec上找到。

论文旨在解决基于历史交互数据的顺序推荐系统中的数据稀疏问题，并探究数据增强策略是否能够实现类似或更好的推荐结果。

论文提出了使用数据增强策略来改善顺序推荐系统中的数据稀疏问题，并通过实验验证了某些数据增强策略可以实现与某些基于对比学习的顺序推荐系统方法相似甚至更好的性能。

论文对8种广泛使用的数据增强策略以及最先进的基于对比学习的顺序推荐系统方法在4个真实世界数据集下进行了基准测试。实验结果表明，某些数据增强策略可以显著减少计算开销并实现类似或更好的推荐结果。论文提供了处理后的数据集和代码。

在这个领域的相关研究还包括：《Session-based Recommendation with Graph Neural Networks》、《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》、《Deep Learning based Recommender System: A Survey and New Perspectives》等。