时间间隔感知数据增强优化均匀序列：用于序列推荐

AAAIDec, 2022

时间间隔感知数据增强优化均匀序列：用于序列推荐

Uniform Sequence Better: Time Interval Aware Data Augmentation for Sequential Recommendation

Yizhou Dang, Enneng Yang, Guibing Guo, Linying Jiang, Xingwei Wang...

TL;DR该论文提出了一种基于时间间隔改进的数据增广方法，提高了串行推荐的性能表现，并在四个真实数据集上验证了该方法相较于其他 11 种竞争方法显著更好的性能表现。

Abstract

sequential recommendation is an important task to predict the next-item to access based on a sequence of interacted items. Most existing works learn user preference as the transition pattern from the previous item to the next one, ignoring the →

sequential recommendation user modeling time interval data augmentation coserec

发现论文，激发创造

UniRec：顺序推荐中统一性和频度的双重提升

UniRec 是一个新颖的双向增强顺序推荐方法，利用序列一致性和物品频率来提高性能，特别是在表示不均匀序列和低频物品方面；与其他先进模型相比，在四个数据集上表现显著优越。

Jun, 2024

学习用户偏好的异质时间模式以实现及时推荐

提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

Apr, 2021

一种职位推荐系统的时间学习和序列建模

本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

Aug, 2016

具有时间图协同变换器的连续时间序列推荐

提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。

Aug, 2021

通过卷积序列嵌入进行个性化 Top-N 顺序推荐

本文介绍了一种卷积序列嵌入推荐模型（Caser），它使用卷积过滤器将一系列最近的物品嵌入到时间和潜在空间中的 “图像” 中，并学习局部特征作为连续模式，这种方法为捕获一般偏好和连续模式提供了统一和灵活的网络结构。实验显示，Caser 在各种常见评估指标上始终优于最先进的连续推荐方法。

Sep, 2018

基于对比学习和自注意力机制的时间接近度上的顺序推荐

通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

Feb, 2024

时间序列数据增强的不平衡学习问题

这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。

Apr, 2024

序列感知推荐系统

本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

Feb, 2018

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

推荐系统的顺序性破坏了评估过程

本研究旨在通过对流行评估过程的敌对攻击来表征顺序数据对案例的重要性，提供一种序列感知提升攻击方法，以及在观察数据顺序的基础上仅利用机密测试集的额外信息的下限，从而证明评估处理对 MovieLense-100k 数据集的影响可达约 1％。

May, 2022