对顺序推荐系统对训练数据扰动的鲁棒性研究：实证研究

Jul, 2023

Investigating the Robustness of Sequential Recommender Systems Against Training Data Perturbations: an Empirical Study

Filippo Betello, Federico Siciliano, Pushkar Mishra, Fabrizio Silvestri

TL;DR通过实证研究，本文探讨了删除时间序列内不同位置的物品对顺序推荐系统（SRSs）模型的影响，结果表明在序列末尾删除物品显著影响性能，指标 NDCG 下降 60％，而在序列的起始或中间删除物品则没有显著影响，这些结果强调了在训练数据中考虑扰动物品的位置对于设计更稳健的 SRSs 的重要性。

Abstract

sequential recommender systems (SRSs) have been widely used to model user behavior over time, but their robustness in the face of perturbations

发现论文，激发创造

提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@10 和 1.5％的 HR 提高。

May, 2023

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

本文提出了 Cascade-guided Adversarial training，一种针对顺序推荐模型的新对抗性训练过程，以解决顺序推荐模型的健壮性和过度依赖时间信息的问题。实验结果表明，我们的训练方法在模型排名准确性和模型健壮性方面都优于标准模型训练和通用对抗性训练。

Apr, 2023

本论文对顺序推荐系统进行了系统综述并总结了该领域的关键挑战，最近和典型发展以及未来的重要研究方向。

Dec, 2019

本文介绍了一种基于顺序模型的推荐系统，它利用原始交易数据进行预测，并在生产数据集上测试，取得了 47% 的 MAP@1 度量，证明了其效果的可靠性和实用性。同时，本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。

Jul, 2022

本文研究了顺序推荐中的排名降级问题，并提出了基于奇异值曲线下面积度量和奇异值平滑正则化方法的顺序推荐算法 SPMRec 来解决此问题，该方法在四个基准数据集上的实验结果表明其优于其他推荐算法，尤其在短序列中表现出更好的推荐效果，并可提高推荐的多样性。

Jun, 2023

本篇研究提出了一种基于最新性采样的序列推荐算法的训练方法，该方法尝试解决目前流行的序列推荐算法训练时间过长、无法充分利用数据的问题，并测试了多种现有的模型架构，结果表明该方法不仅能够有效地提高模型性能，而且训练时间大大减少。

Jul, 2022

本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

Sep, 2022

本文旨在提出统一框架和问题陈述，以填补序列推荐系统（SRS）和基于 session 的推荐系统（SBRS）的现有不一致性，并提供数据特征，难点，现有方法，实际应用和未来研究方向的全面系统演示，以促进这个领域的进一步研究。

May, 2022

本文提出了一种压缩的序列推荐框架 CpRec，采用块状自适应分解和层间参数共享等技术来压缩神经网络，在真实世界的序列推荐数据集中表现出了较高的准确率和效率。

Apr, 2020