序列推荐是一项重要的任务,它根据用户交互的物品序列预测下一个要访问的物品。现有的工作大多将用户偏好学习为上一项到下一项的过渡模式,忽略了两项之间的时间间隔。然而,序列中的时间间隔可能存在显著差异,从而导致用户建模因偏好漂移问题而失效。事实上,我们进行了实证研究来验证这一观察结果,发现时间间隔均匀分布的序列(记为均匀序列)比时间间隔变化较大的序列更有利于性能的提升。因此,本文提出从时间间隔的角度对序列数据进行增广,这是目前文献中未研究的。具体地,设计了5个算子(Ti-Crop, TiReorder, Ti-Mask, Ti-Substitute, Ti-Insert),在考虑时间间隔变化的情况下,将原始的非均匀序列转换为均匀序列。然后,设计了一种控制策略,对不同长度的项序列进行数据扩充;最后,在最先进的CoSeRec模型上实现了这些改进,并在4个真实数据集上验证了所提方法。实验结果表明,该方法的性能明显优于其他11种方法。我们的实现可用: