.png){kind=icon}
.png){kind=icon}
返回
Knowledge-Guided Contrastive Preference Modeling for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/tcss.2026.3693309.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比学习近期在通过提供辅助自监督来缓解序列推荐中的数据稀疏性方面显示出潜力。然而，现有方法仍存在两大主要局限性：1）随机增强策略往往引入噪声并破坏内在用户偏好；2）下一项预测本质上提供稀疏监督，并可能因缺乏显式负样本信号而引入伪负样本。为解决这些问题，我们提出了一个用于序列推荐的知识引导对比偏好建模框架（KGCPRec）。首先，KGCPRec引入两种知识引导的数据增强策略。对于用户交互序列，提出了自适应候选学习器，从知识图谱（KGs）中选择与上下文相关的候选项，用于项目替换和插入增强。对于项目转换图，我们通过在热门项目上应用度感知边修剪来减少噪声，同时通过在长尾项目上进行知识引导边补充来增强协同信号。其次，我们设计了一种知识引导的对比推荐损失函数，通过利用从KGs中挖掘的语义相似用户偏好来缓解监督稀疏性和伪负样本问题。在七个基准数据集上的广泛实验表明，KGCPRec始终优于14个最先进的基线方法。
Keyword:
Contrastive learning (CL)
knowledge graph
preference modeling
sequential recommendation (SR)