Explorar y adaptar el aumento del tiempo de prueba para la recomendación secuencial

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Aprendizaje automático Aprendizaje automático.
• Los sistemas de recomendación son sistemas de recomendación.

Sus antecedentes:

• El aumento de datos es crucial para abordar la escasez de datos en la recomendación secuencial (SR).
• Los métodos existentes para aumentar el tiempo de entrenamiento requieren un costoso reentrenamiento o modificaciones arquitectónicas para modelos bien entrenados.
• El aumento del tiempo de prueba (TTA) ofrece una alternativa prometedora al aumentar los datos durante la inferencia, evitando la sobrecarga de entrenamiento.

Objetivo del estudio:

• Explorar la efectividad de la ampliación del tiempo de prueba (TTA) para la recomendación secuencial (SR).
• Identificar las limitaciones de los operadores de aumento existentes para TTA y proponer nuevas soluciones.
• Desarrollar un método TTA eficiente y generalizable que mejore el rendimiento de SR sin un extenso reentrenamiento.

Principales métodos:

• Se evaluaron experimentalmente los operadores de aumento existentes (sustituto, máscara) para TTA en SR.
• Se introdujo TNoise (inyección uniforme de ruido) y TMask (manipulación de tokens de máscara) para abordar las limitaciones de los operadores existentes.
• Estrategias implementadas para mejorar la diversidad de datos (muestreo de proporción uniforme) y la adaptación de la longitud de la secuencia (suavizado / alargamiento para secuencias cortas, umbral para secuencias largas).

Principales resultados:

• Los operadores de sustitutos y máscaras mostraron potencial para TTA, manteniendo patrones secuenciales con las perturbaciones apropiadas.
• TNoise y TMask demostraron efectividad, eficiencia y generalización en varios escenarios de SR.
• Los métodos propuestos mejoraron la diversidad de datos y mitigaron la degradación del rendimiento tanto en secuencias cortas como largas.

Conclusiones:

• El aumento del tiempo de prueba (TTA) es un enfoque viable y eficiente para mejorar los modelos de recomendación secuencial.
• Los métodos TNoise y TMask propuestos, junto con las estrategias de adaptación de la longitud de la secuencia, mejoran significativamente el rendimiento de SR.
• Este trabajo proporciona una solución práctica para aprovechar el aumento de datos en SR sin la necesidad de reentrenamiento del modelo.