读论文-基于自监督学习的序列推荐算法

18.读论文-基于自监督学习的序列推荐算法2024-04-11

19.读论文-基于注意力机制的对抗性协同过滤推荐算法2024-04-11 20.读论文-基于序列模式的电子商务推荐系统综述(A Survey of Sequential Pattern Based E-Commerce Recommendation Systems)2024-04-11 21.读论文-基于会话的推荐系统综述(A survey on session-based recommender systems)2024-04-11 22.读论文-基于序列_会话的推荐_挑战，方法，应用和机遇(Sequential_Session-based Recommendations_ Challenges, Approaches, Applications and Opportunities)2024-04-11 23.读论文-基于图神经网络的会话推荐方法综述2024-04-11 24.读论文-基于Python的协同过滤算法的研究与应用实现2024-04-11 25.读论文-基于协同过滤的个性化电影推荐系统2024-04-11 26.读论文-协同过滤技术综述(A Survey of Collaborative Filtering Techniques)2024-04-11 27.读论文-基于注意力机制的浅层图像隐写分析模型2024-04-11 28.读论文-基于会话的推荐系统研究2024-04-11 29.【论文随笔】推荐系统综述_推荐模型、推荐技术与应用领域(A Survey of Recommendation Systems_ Recommendation Models, Techniques, and Application Fields)2024-04-11 30.【论文随笔】深度推荐系统的自动化_一项调查(Automl for deep recommender systems_ A survey)2024-04-11 31.读论文-基于自注意力机制和迁移学习的跨领域推荐算法2024-04-11 32.读论文-基于会话的推荐方法综述2024-04-11 33.【论文随笔】基于会话的推荐系统构建方法调查(Survey On Methods For Building Session-Based Recommender Systems)2024-04-11 34.【论文随笔】会话推荐系统综述(A Survey on Conversational Recommender Systems)2024-04-11 35.【论文随笔】多行为序列Transformer推荐(Multi-Behavior Sequential Transformer Recommender)2024-04-11 36.读论文-电子商务产品推荐的序列推荐系统综述与分类(A Survey and Taxonomy of Sequential Recommender Systems for E-commerce Product Recommendation)2024-04-11 37.传统Item-Based协同过滤推荐算法改进2024-04-11 38.补充：基于项目的协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)2024-04-11 39.Top-N推荐算法 Top-N recommendation Algorithms2024-04-11

前言

今天读的文章为一篇名叫《基于自监督学习的序列推荐算法》的期刊论文，文章于2023年8月15日发表在自然科学报上，这篇论文的引用为：

[1]闫猛猛,汪海涛,贺建峰等.基于自监督学习的序列推荐算法[J].重庆邮电大学学报(自然科学版),2023,35(04):722-731.

摘要

原文如下：

针对现有序列推荐算法易受数据稀疏影响以及对用户短期动态偏好建模不充分的问题，提出基于自监督学习的序列推荐算法。针对短期序列中的原始项目关系更易受到随机数据增强破坏的问题，对长短期序列使用不同的数据增强方法来构建更有效的自监督信号;利用对比式自监督学习框架对用户长期偏好和短期偏好进行多任务联合建模;针对现有自注意力机制无法建模序列中项目相对位置关系的问题，将自然语言处理领域中的解耦注意力机制引入到用户短期偏好学习过程中，充分捕获用户短期序列中项目的相对位置信息。实验结果证明了所提算法的有效性。

摘要中介绍了现有的序列推荐算法的缺点：易受数据稀疏影响以及对用户短期动态偏好建模不充分，基于此问题，文章提出了基于自监督学习的序列推荐算法。

针对短期序列中的原始项目关系更易受到随机数据增强破坏的问题，对长短期序列使用不同的数据增强方法来构建更有效的自监督信号;
利用对比式自监督学习框架对用户长期偏好和短期偏好进行多任务联合建模;
针对现有自注意力机制无法建模序列中项目相对位置关系的问题，将自然语言处理领域中的解耦注意力机制引入到用户短期偏好学习过程中，充分捕获用户短期序列中项目的相对位置信息。

基于SSL的序列推荐算法

在用户交互序列中，用户集合表示为U，项目集合表示为I，按时间升序对交互序列进行排序，用户u∈U的历史交互序列可以表示为Su=［i^u₁，i^u₂，…，i^u_|Su|］，其中|Su|表示序列的长度，iut∈I表示用户u在时间t与项目it产生了交互。本文算法的目标是i预测在时间t+1最可能与用户u发生交互的项目i^u_|su|+1。