Diffusion Augmentation for Sequential Recommendation

要約

シーケンシャル レコメンデーション (SRS) は、最近多くのアプリケーションの技術基盤となっています。これは、ユーザーの履歴インタラクションに基づいて次のアイテムを推奨することを目的としています。
ただし、逐次的な推奨は、推奨システムに広く存在するデータの疎性の問題に直面することがよくあります。
さらに、ほとんどのユーザーは少数のアイテムしか操作しませんが、既存の SRS モデルはこれらのユーザーのパフォーマンスを下回ることがよくあります。
このような問題はロングテール ユーザー問題と呼ばれ、まだ解決されていません。
データ拡張は、これら 2 つの問題を軽減する明確な方法ですが、多くの場合、捏造されたトレーニング戦略が必要になったり、生成された低品質のインタラクションによって妨げられたりします。
これらの問題に対処するために、より高品質な生成のための逐次推奨のための拡散拡張 (DiffuASR) を提案します。
DiffuASR による拡張データセットを使用すると、複雑なトレーニング手順を必要とせずに、逐次推奨モデルを直接トレーニングできます。
拡散モデルの生成能力を最大限に活用するために、まず、画像とシーケンス生成の間のギャップを埋める拡散ベースの擬似シーケンス生成フレームワークを提案します。
次に、拡散ノイズ予測モデル U-Net を離散系列生成タスクに適合させるために、逐次 U-Net が設計されます。
最後に、生成されたシーケンスと元のシーケンスの間の優先順位を同化するための 2 つのガイド戦略を開発します。
提案された DiffuASR を検証するために、3 つの逐次推奨モデルを使用して 3 つの現実世界のデータセットに対して広範な実験を実施します。
実験結果は、DiffuASR の有効性を示しています。
私たちが知る限り、DiffuASR は推奨に拡散モデルを導入したパイオニアの 1 つです。

要約(オリジナル)

Sequential recommendation (SRS) has become the technical foundation in many applications recently, which aims to recommend the next item based on the user’s historical interactions. However, sequential recommendation often faces the problem of data sparsity, which widely exists in recommender systems. Besides, most users only interact with a few items, but existing SRS models often underperform these users. Such a problem, named the long-tail user problem, is still to be resolved. Data augmentation is a distinct way to alleviate these two problems, but they often need fabricated training strategies or are hindered by poor-quality generated interactions. To address these problems, we propose a Diffusion Augmentation for Sequential Recommendation (DiffuASR) for a higher quality generation. The augmented dataset by DiffuASR can be used to train the sequential recommendation models directly, free from complex training procedures. To make the best of the generation ability of the diffusion model, we first propose a diffusion-based pseudo sequence generation framework to fill the gap between image and sequence generation. Then, a sequential U-Net is designed to adapt the diffusion noise prediction model U-Net to the discrete sequence generation task. At last, we develop two guide strategies to assimilate the preference between generated and origin sequences. To validate the proposed DiffuASR, we conduct extensive experiments on three real-world datasets with three sequential recommendation models. The experimental results illustrate the effectiveness of DiffuASR. As far as we know, DiffuASR is one pioneer that introduce the diffusion model to the recommendation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google