【AAAI2023】统一序列更好:时间间隔感知数据增强的序列推荐

序列推荐是一项重要的任务，它根据用户交互的物品序列预测下一个要访问的物品。现有的工作大多将用户偏好学习为上一项到下一项的过渡模式，忽略了两项之间的时间间隔。然而，序列中的时间间隔可能存在显著差异，从而导致用户建模因偏好漂移问题而失效。事实上，我们进行了实证研究来验证这一观察结果，发现时间间隔均匀分布的序列(记为均匀序列)比时间间隔变化较大的序列更有利于性能的提升。因此，本文提出从时间间隔的角度对序列数据进行增广，这是目前文献中未研究的。具体地，设计了5个算子(Ti-Crop, TiReorder, Ti-Mask, Ti-Substitute, Ti-Insert)，在考虑时间间隔变化的情况下，将原始的非均匀序列转换为均匀序列。然后，设计了一种控制策略，对不同长度的项序列进行数据扩充;最后，在最先进的CoSeRec模型上实现了这些改进，并在4个真实数据集上验证了所提方法。实验结果表明，该方法的性能明显优于其他11种方法。我们的实现可用:

https://github.com/KingGugu/TiCoSeRec