Contrastive Learning for Sequential Recommendation

文章原文：Contrastive Learning for Sequential Recommendation

背景介绍

传统的序列推荐方法通常依赖于序列推荐任务来优化大量的参数，使得这些方法会遇到数据稀疏性问题，他们很难学习高质量的用户表示。（Next Item Prediction）

对于序列推荐任务，关键问题是如何通过每个用户的历史交互推断出高质量的表示。有了这些用户表示，我们可以轻松地为每个用户推荐合适的项目。因此，研究工作的主线是通过使用更强大的顺序模型来获得更好的用户表示。

当训练数据有限时，传统的实现序列推荐的方法可能无法推断出合适的用户表示。（深度神经网络，RNN，Self-attention)

上图是对比学习范式，具体细节见simCLR。

理论实现

三种数据增强方法：

item crop：

1.通过在没有用户综合信息的情况下学习广义用户偏好来增强用户表示模型
2.在对比学习框架下，如果两个裁剪序列没有交集，则可以将其视为下一句预测任务。推动模型预测用户偏好的变化。

item mask：

防止用户表示编码器过度的自适应

item reorder：

用户表示模型减少对交互序列顺序的依赖

模型框架

损失函数

实验对比

评价指标：

对比模型：

数据集：

提出问题：

实验结果：

总结

提出了三种数据增强方法，结合了对比学习和序列推荐。非常正统的结合方式。