MBASR：一种用于序列推荐中多行为数据增强的通用框架

《ACM Transactions on Recommender Systems》：MBASR: A Generic Framework for Multi-Behavior Data Augmentation in Sequential Recommendation

多行为序列推荐中提出MBASR框架，通过五种行为感知数据增强操作（跨子序列交互、用户相似性建模等）和位置采样策略有效缓解数据稀疏问题，在四组数据集上显著提升主流MBSR模型性能，代码开源。

　　

摘要

多行为序列推荐（MBSR）通过捕捉序列模式和行为异质性来模拟用户的多方面偏好，已展现出良好的效果。尽管这些方法很有效，但由于现实世界场景中数据本身的稀疏性，它们的性能往往会出现下降。当前推荐系统中的数据增强方法主要关注单行为建模，未能充分考虑用户在不同类型行为中的偏好表达多样性。此外，传统的增强策略在样本生成过程中可能会引入噪声或无关模式，从而可能扭曲下一项的预测任务。为了解决这些挑战，我们提出了一个名为“多行为数据增强用于序列推荐”（MBASR）的新颖通用框架。具体来说，我们提出了五种基于行为意识的数据增强操作，这些操作是根据子序列内部及子序列之间的交互设计的，用于生成多样且丰富的训练样本。每种增强操作都利用了行为之间的相关性或用户之间的相似性，确保增强后的数据与用户的自然行为模式保持一致。此外，我们还引入了一种组合增强方法，将两种数据增强操作结合起来以获得更好的效果。同时，我们还提出了两种基于位置的采样策略，可以有效减少增强操作对原始数据造成的扰动。值得注意的是，作为一种以数据为中心的解决方案，我们的MBASR可以无缝集成到各种MBSR模型中，而无需修改它们的底层结构。在四个真实世界数据集上的全面评估验证了MBASR的有效性，显示出其在主流MBSR模型中的显著性能提升。源代码、脚本和数据集可在以下链接获取：https://github.com/XiaoQi-C/MBASR