رايسيريك: التوصية المتسلسلة المدعومة بالاسترجاع

رغم أن النماذج المُعلَّمة والمُعلَّمة ذاتيًا السائدة في التوصية التسلسلية (SeRec) قد حققت أداءً محسنًا بفضل هياكل الشبكات العصبية القوية، فإننا نعتقد أنها لا تزال تعاني من قيودين رئيسيين: (1) انحراف التفضيلات، حيث يصعب على النماذج التي تم تدريبها على بيانات سابقة مواكبة تطور تفضيلات المستخدم؛ و(2) الذاكرة الضمنية، حيث تهيمن الأنماط الرئيسية على التعلم المعلمي، مما يجعل استرجاع الذيل الطويل أكثر صعوبة. في هذا العمل، نستكشف زيادة الاسترجاع في SeRec لمعالجة هذه القيود. تحديدًا، نقترح إطار عمل للتوصية التسلسلية مع زيادة الاسترجاع، يُسمى RaSeRec، والفكرة الأساسية له هي الحفاظ على بنك ذاكرة ديناميكي لمواكبة انحرافات التفضيلات واسترجاع الذكريات ذات الصلة لزيادة نمذجة المستخدم بشكل صريح. يتكون الإطار من مرحلتين: (i) التدريب الأولي القائم على التعاون، الذي يتعلم كيفية تقديم التوصيات والاسترجاع؛ (ii) إعادة التنعيم مع زيادة الاسترجاع، التي تتعلم كيفية الاستفادة من الذكريات المسترجعة. أثبتت التجارب الواسعة على ثلاثة مجموعات بيانات تمامًا تفوق RaSeRec وفعاليتها. يمكن الحصول على شفرة التنفيذ من الرابط https://github.com/HITsz-TMG/RaSeRec.