Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation
作者: Ziqiang Cui, Yunpeng Weng, Xing Tang, Xiaokun Zhang, Dugang Liu, Shiwei Li, Peiyang Liu, Bowei He, Weihong Luo, Xiuqiang He, Chen Ma
发布时间: 2025-03-07
来源: arxiv
研究方向: 序列推荐系统、对比学习、语义信息、大型语言模型（LLM）
主要内容
针对序列推荐系统中数据稀疏的问题，该研究提出了一种名为SRA-CL（语义检索增强对比学习）的新方法。该方法利用LLM的语义理解和推理能力，通过语义检索来增强对比学习，从而提高序列推荐系统的性能。
主要贡献
1. 提出了一种名为SRA-CL的新框架，该框架利用语义信息和LLM的语义理解能力来增强对比学习。
2. 设计了两个语义检索增强对比学习模块：通过用户语义检索的跨序列对比学习和通过项目语义检索的序列内对比学习。
3. 在四个公开数据集上进行了广泛的实验，以验证所提出方法的优越性和模型无关性，以及每个模块的有效性。
研究方法
1. 利用LLM对用户序列和项目进行语义理解，并生成语义嵌入。
2. 基于语义相似度，检索和缓存与每个用户和项目最相关的用户和项目。
3. 设计了一个可学习的样本合成方法，用于从候选集中为给定用户或项目合成正样本。
4. 通过将某些项目替换为其相似项目来生成两个语义一致的增强视图，这些视图被视为对比学习的正样本对。
实验结果
SRA-CL在所有数据集上都优于所有基线模型，其性能在HR和NDCG指标上均有所提升。
未来工作
未来工作将包括探索不同的LLM和文本嵌入模型，以及研究如何将SRA-CL应用于其他推荐场景。