Robust Sequential Recommendation With Decorrelation and Debiasing

doi:10.1109/tnnls.2026.3710279

Robust Sequential Recommendation With Decorrelation and Debiasing

2026-07-31

0

PRE

AI

DOI：10.1109/tnnls.2026.3710279

原文链接

原文求助

摘要

En 中文

近期深度学习的进展极大地促进了基于Transformer的序列推荐（SR）算法的改进。然而，当前方法仍存在以下问题：1）传统增强方法的泛化能力不足；2）Transformer的自注意力机制中存在过相关和过平滑问题；以及3）因流行度偏差导致的交互分布不一致。为解决这些问题，我们提出了一种具有去相关和去偏能力的鲁棒SR模型。首先，受自然语言处理中文本分类的启发，我们引入两种新的数据增强操作，并采用分层数据增强策略，从全局和局部层面增强用户序列，生成更具挑战性和大规模的数据。然后，我们提出一种自适应去相关模块，动态调整物品表示矩阵的特征维度相关性，缓解基于Transformer的SR算法中的过相关和过平滑问题。此外，我们进一步利用解耦模块有效过滤不稳定的流行度特征，从多视角分层增强视图中提取用户偏好的不变性。最后，我们引入正则化项以学习更好且更鲁棒的用户偏好表示，提升模型鲁棒性并降低过拟合风险。在基准数据集上进行的全面实验表明，具有去相关和去偏能力的鲁棒SR（RDD）模型相比最佳竞争者实现了高达6.63%的提升。即使在面对稀疏交互和冷启动问题时，RDD也表现出鲁棒性。

Keyword:

Data augmentation

debiasing

decorrelation

robustness

sequential recommendation (SR)

Robust Sequential Recommendation With Decorrelation and Debiasing

摘要

期刊

机构

引用论文