序列推荐的对比学习

Oct, 2020

Contrastive Learning for Sequential Recommendation

Xu Xie, Fei Sun, Zhaoyang Liu, Shiwen Wu, Jinyang Gao...

TL;DR提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

Abstract

sequential recommendation methods play a crucial role in modern recommender systems because of their ability to capture a user's dynamic interest from her/his historical interactions. Despite their success, we argue that these approaches usually rely on the sequential prediction task t

sequential recommendation contrastive learning multi-task model data augmentation user representations

发现论文，激发创造

面向会话推荐的自对比学习

本研究提出自我对比学习算法，并将其应用于会话推荐问题中，以优化物品表示空间的均匀度和减少模型复杂度，进而实现比之前的算法更好的预测性能。研究证明，该算法不需要额外的采样和数据增强操作，并在三个基准数据集上得到了统计上显著的性能提升。

Jun, 2023

利用图形对比学习增强序列推荐

该文提出了一种新的推荐框架，名为序列推荐的图对比学习（GCL4SR），它使用一种称为加权项目转换图（WITG）的模型，建立在所有用户的交互序列上，通过使用 WITG 子图来增强每个交互序列的表示和最大化同一交互序列引导的增强表示之间的一致性，最小化 WITG 全局上下文引导的增强表示和原始序列本地表示之间的差异，并在真实世界数据集上展示显着优于现有方法的性能。

May, 2022

推荐的监督对比学习

这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

Jan, 2022

具有鲁棒增强的对比自监督序列推荐

本文研究对于顺序推荐问题，应用对比自监督学习来缓解数据稀疏和噪声等问题，并提出两种信息增强算子构建高质量视图进行对比学习，实验表明该方法可以提升模型性能和鲁棒性。

Aug, 2021

RecDCL：双重对比学习推荐

通过利用自我监督的推荐算法，本文提出了一种名为 RecDCL 的方法，它采用对比学习，解决了数据稀疏性和特征维度的问题，并在推荐任务中取得了优于现有模型的效果。

Jan, 2024

基于多意图解耦的序列推荐对比学习方法

我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

Apr, 2024

基于自动对比学习策略的时间序列分析

在本文中，我们提出了一种微软的自动机器学习（AutoML）实践，名为自动对比学习（AutoCL），它可以自动学习对各种时间序列数据集和任务进行对比学习表示。我们首先构建了一个覆盖数据增强、嵌入变换、对比对构建和对比损失的规范化的通用搜索空间，然后引入了一种高效的强化学习算法，用于从验证任务的性能中优化对比学习策略，以在搜索空间中获得更有效的策略。实验结果表明，AutoCL 能够自动找到适合给定数据集和任务的对比学习策略，并且我们还提供了实证分析作为未来对比学习策略设计的指导。

Mar, 2024

消除任何人的落后：在线自我监督自我蒸馏用于顺序推荐

在线自监督自蒸馏的顺序推荐方法（S^4Rec）应用于现代推荐系统中，通过在线聚类和对抗学习策略来有效地处理数据稀疏性和用户行为数据有限性的挑战，并利用自监督学习和自蒸馏方法实现知识传递。

Mar, 2024

基于双向 Transformer 的对比学习用于序列推荐

本文提出了一种新框架，使用双向 Transformer 进行对比学习，针对顺序推荐中用户行为不是严格的从左到右顺序这一问题进行改进，同时采用滑动窗口技术，结合 Cloze 任务掩码和 Dropout 掩码来生成高质量正样本，并进行多对比学习，通过实验结果表明，相较于传统单一对比学习，该框架表现更优越。

Aug, 2022

序列推荐的意图对比学习

介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

Feb, 2022