【WWW2020-腾讯】未来的数据有助于训练:为基于会话的推荐建立未来的上下文模型，Future Data Helps Training: Modelling Future Contexts for Session-based Recommendation

题目： Future Data Helps Training: Modelling Future Contexts for Session-based Recommendation

摘要： 基于会话的推荐系统近年来受到了广泛的关注。为了捕获顺序依赖项，现有的方法要么采用数据扩充技术，要么采用从左到右的自回归训练。由于这些方法的目的是对用户行为的顺序性进行建模，因此在构建目标交互的预测模型时忽略了目标交互的未来数据。然而，我们认为在目标交互之后的未来交互(在培训期间也可用)提供了关于用户偏好的有价值的信号，可以用来提高推荐质量。

然而，正确地将未来的数据集成到模型训练中是不容易实现的，因为它违反了机器学习的原则，很容易导致数据泄漏。为此，我们提出了一种新的编码-解码器框架——基于间隙填充的推荐器(GRec)，它通过一个间隙填充机制来训练编码器和解码器。具体地说，编码器采用部分完成的会话序列(其中一些项被目的屏蔽)作为输入，并且解码器根据编码的表示来预测这些屏蔽项。我们使用具有稀疏内核的卷积神经网络实例化了通用的GRec框架，同时考虑了准确性和效率。我们在两个涵盖短期、中期和长期用户会话的真实数据集上进行了实验，结果表明GRec显著优于最先进的顺序推荐方法。更多的实证研究验证了在我们的GRec框架下建模未来环境的高实用性。