Data Augmentation for Sequential Recommendation: A Survey

Yizhou Dang

doi:10.1109/TKDE.2026.3692969

Data Augmentation for Sequential Recommendation: A Survey

2026-05-13

0

PRE

AI

DOI：10.1109/TKDE.2026.3692969

原文链接

原文求助

摘要

En 中文

序列推荐（SR）在过去几年中因其与实际推荐场景的高度契合而受到广泛关注并取得了有前景的进展。它通过用户的历史行为序列建模用户偏好和行为模式，并提供个性化推荐。然而，数据稀疏性的普遍问题限制了序列推荐模型的性能。为解决这一问题，数据增强（DA）提供了一种可行方案，通过提升训练样本的数量、质量或多样性，而无需额外收集数据。本综述中，我们系统且及时地回顾了关于序列推荐数据增强的研究工作。首先，我们提供了问题的清晰表述和任务定义。接着，我们提出了一种统一的分类方法，根据增强对象和原理对现有增强方法进行分类。随后，我们对不同类别的优缺点进行比较讨论，辅以定量性能评估、时间复杂度分析和代表性方法的视觉案例分析，旨在为实际场景中增强方法的选择和发展提供可操作的指导。最后，我们提出了未来研究方向，并总结本综述。

Keyword:

Recommender systems

sequential recommendation

data sparsity

data augmentation

Data Augmentation for Sequential Recommendation: A Survey

摘要

期刊

机构

引用论文