Diffusion-based Contrastive Learning for Sequential Recommendation

对比学习已经被有效地应用于缓解数据稀疏问题并提高推荐性能。现有的大多数方法采用随机增强来生成原始序列的增强视图。然后，学习目标旨在最小化同一用户的不同视图的表示之间的距离。然而，这些随机增强策略（例如，掩码或替换）忽略了同一用户的不同增强视图的语义一致性，导致具有相似表示的语义不一致的序列。此外，大多数增强方法未能利用上下文信息，这对于理解序列语义至关重要。为了解决这些限制，我们引入了一种基于扩散的对比学习方法，用于序列推荐。具体而言，给定一个用户序列，我们首先选择一些位置，然后利用上下文信息通过引导扩散模型来指导生成替代项。通过重复这种方法，我们可以获得同一用户的语义一致的增强视图，这些视图用于提高对比学习的有效性。为了保持扩散模型和推荐模型的表示空间的连贯性，我们使用共享项目嵌入在端到端的方式下训练整个框架。在五个基准数据集上的广泛实验表明了我们提出的方法的优越性。

解决数据稀疏问题和提高推荐性能的关键在于对对比学习的应用。然而，现有的方法忽略了不同增强视图之间的语义一致性，也没有利用上下文信息。

本文提出了一种基于扩散的对比学习方法，以解决现有方法的局限性。该方法通过选择一些位置并利用上下文信息来引导生成替代项，从而获得语义一致的增强视图，以提高对比学习的有效性。

本文的实验使用了五个基准数据集，证明了该方法的优越性。该方法的亮点在于使用了扩散模型来生成增强视图，以及在训练过程中共享物品嵌入。

最近的相关研究包括使用自监督学习的方法来解决推荐系统中的数据稀疏问题，以及使用图神经网络来进行推荐。例如，论文《Self-Supervised Learning for Recommendation: A Review》和《Graph Neural Networks for Recommender Systems: A Review of Methods and Applications》。