基于对比学习和元优化学习的序列推荐方法

序列推荐是根据用户和项目的历史交互记录对用户兴趣建模,进行下一项目推荐。对比学习(CL)作为一种辅助信息能够有效地提高推荐模型质量,但现有基于对比学习的序列推荐方法采取随机数据增强方式存在的效果不稳定及难以泛化的问题,为此,提出了一种基于对比学习和元优化学习的序列推荐方法。首先,在数据增强环节,根据序列中项目之间的时间间隔为序列生成数据分布更加均匀的数据增强视图;其次,构建可学习的模型增强模块,用于捕获数据增强视图中潜在的语义信息,增强模型的泛化能力;最后,为解决数据增强模块和模型增强模块之间不同优化目标问题,使用元优化学习方法优化更新两个模块之间的参数,进而完成推荐。在Beauty、Sports和Yelp等三个公开数据集上的实验结果显示,在召回率和归一化折损累计增益指标上,相较于其它基线模型,CLMLRec均有显著提升,表明该模型具有良好的推荐性能。