基于全局-局部意图对比学习的序列推荐方法

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Global–Local Intent Contrastive Learning for Sequential Recommendation

针对序列推荐中全局意图建模与短期精度平衡问题，提出GLICRec方法，通过动态窗口分割捕获全局上下文，语义转换模块增强项目关联性，跨尺度对齐模块强化长期依赖，实验表明HR提升5.57%和NDCG提升4.36%。

　　

摘要

序列推荐系统通过挖掘行为序列中的时间模式来预测用户偏好，这些行为是由潜在意图驱动的。然而，现有的基于意图的方法往往未能充分利用项目间的相关性，也无法捕捉行为序列中的长期依赖性——特别是早期交互对当前决策的持续影响。为了解决这些限制，本文提出了全局-局部意图对比学习（GLICRec）方法，该方法首次通过统一的基于意图的对比学习机制，弥合了短期精度与长期意图建模之间的差距。首先，动态窗口分割将用户序列分解为局部子序列，同时保留完整的历史记录以提供全局上下文。接下来，基于聚类的语义转换模块构建紧凑的项目簇，并在数据增强过程中用语义相似的项目替换原始项目，从而在保持意图语义的同时引入可控的多样性。此外，所提出的基于意图的协作对比学习模块实现了全局序列与局部子序列之间的跨尺度对齐，并通过混合意图对比提炼出多样化的意图原型空间，从而在不牺牲短期准确性的前提下，共同提升了长期依赖性建模的能力。在四个真实世界数据集上的广泛实验表明，与最先进的基线方法相比，GLICRec在HR（Hit Rate）指标上平均提升了5.57%，在NDCG（Average Recall Score）指标上平均提升了4.36%，凸显了其在电子商务和内容平台中提供更准确、更稳健推荐的实际价值。