针对序列推荐任务中存在的数据稀疏问题,提出语义增强的多任务对比学习序列推荐模型(multi-task contrastive learning model with semantic enhancement for sequential recommendation,MCLM-SE4SRec),采用多任务联合训练的方式将2个...针对序列推荐任务中存在的数据稀疏问题,提出语义增强的多任务对比学习序列推荐模型(multi-task contrastive learning model with semantic enhancement for sequential recommendation,MCLM-SE4SRec),采用多任务联合训练的方式将2个对比学习任务与推荐任务进行结合。数据增强的对比学习任务通过结合项目相关性和序列长度对用户序列执行数据增强操作;语义聚类的对比学习任务从高维语义信息的角度,通过语义信息聚类挖掘潜在的用户序列语义信息,学习到更好的向量表示特征。在数据增强的对比学习任务中,利用负样本选择优化策略,通过对假负例的识别得到更合理的负样例集合,进一步提升模型性能。在3个公开数据集上的实验结果表明,该模型取得了优异的性能。展开更多
文摘针对序列推荐任务中存在的数据稀疏问题,提出语义增强的多任务对比学习序列推荐模型(multi-task contrastive learning model with semantic enhancement for sequential recommendation,MCLM-SE4SRec),采用多任务联合训练的方式将2个对比学习任务与推荐任务进行结合。数据增强的对比学习任务通过结合项目相关性和序列长度对用户序列执行数据增强操作;语义聚类的对比学习任务从高维语义信息的角度,通过语义信息聚类挖掘潜在的用户序列语义信息,学习到更好的向量表示特征。在数据增强的对比学习任务中,利用负样本选择优化策略,通过对假负例的识别得到更合理的负样例集合,进一步提升模型性能。在3个公开数据集上的实验结果表明,该模型取得了优异的性能。
