SSDRec: Self-Augmented Sequence Denoising for Sequential Recommendation

传统的序列推荐方法假设用户的序列数据足够干净，可以学习准确的序列表示来反映用户的偏好。然而，在实践中，用户的序列不可避免地包含噪声（例如，意外的交互），导致用户偏好的不正确反映。因此，一些先驱性研究探索了建模序列中的时序性和相关性以隐式或显式地减少噪声的影响。然而，仅依赖序列内部可用的信息（即，序列中的时序性和相关性）是不足够的，并且可能导致过度去噪和欠去噪问题（OUPs），特别是对于短序列。为了提高可靠性，我们提出在去噪之前通过插入项目来增强序列。然而，由于数据稀疏问题和计算成本，从整个项目宇宙中选择适当的项目并将其插入到目标序列的适当位置是具有挑战性的。受到上述观察的启发，我们提出了一种新颖的框架——自我增强序列去噪推荐（SSDRec），采用三阶段学习范式来解决上述挑战。在第一阶段，我们通过全局关系编码器使SSDRec能够以数据驱动的方式学习多方面的序列间关系。这些关系作为先验知识指导后续阶段。在第二阶段，我们设计了一个自我增强模块来增强序列以减轻OUPs。最后，在第三阶段，我们采用分层去噪模块来减少错误增强的风险，并准确定位原始序列中的所有噪声。在五个真实世界的数据集上进行的广泛实验表明，SSDRec优于最先进的去噪方法，并且可以灵活应用于主流的序列推荐模型。源代码可在https://github.com/zc-97/SSDRec上获得。

论文旨在解决用户序列数据中存在噪声的问题，这些噪声会影响用户偏好的准确反映。同时，由于数据稀疏性和计算成本等问题，如何选择合适的物品插入到目标序列的适当位置中，也是一个挑战。

论文提出了一种三阶段学习范式的框架，称为Self-augmented Sequence Denoising for sequential Recommendation (SSDRec)，以解决上述挑战。该框架利用全局关系编码器学习多方面的序列间关系，使用自我增强模块来增强序列以减少噪声的影响，并采用分层去噪模块来减少错误增强的风险和确定原始序列中的所有噪声。

论文在五个真实数据集上进行了广泛的实验，证明了SSDRec相对于最先进的去噪方法的优越性，并展示了其在主流序列推荐模型中的灵活应用。此外，论文还提供了开源代码。

最近的相关研究包括：《Neural Collaborative Filtering for Sequential Recommendation》、《A Survey on Sequence-based Recommendation》、《Deep Reinforcement Learning for List-wise Recommendations》等。