基于自监督图神经网络的序列推荐算法：区分长期与短期兴趣

《ACM Transactions on Recommender Systems》：Self-supervised Graph Neural Sequential Recommendation with Disentangling Long and Short-Term Interest

针对用户历史行为噪声、长尾分布和数据稀疏性问题，本文提出LS4SRec模型，通过构建长短兴趣分离编码器、全局行为序列图增强、对比学习去噪、兴趣分配矩阵建模演化，并引入数据增强和伪标签方法，有效提升推荐准确率，实验验证其有效性。

　　

摘要

在现实世界的场景中，用户历史行为中的大量噪声阻碍了对其真实兴趣的准确反映。用户与物品交互的长期分布也使得从历史序列中捕捉兴趣演变模式变得困难。此外，随着用户行为序列的不断增长，仅依赖传统的序列模型已经不足以提取用户兴趣信息并学习准确的序列表示，从而限制了推荐系统的准确性。为了解决这些问题，我们提出了一种名为LS4SRec的自监督图神经序列推荐模型，该模型能够区分用户的长期和短期兴趣。具体来说，LS4SRec构建了两个独立的兴趣编码器来提取用户的长期和短期兴趣。通过利用全局用户行为序列图WITG为每个交互序列提供额外的协同信号，我们缓解了数据稀疏性问题。随后，我们对WITG应用对比学习来去除噪声信息并提升序列表示的质量。此外，我们还利用兴趣分配矩阵和序列模型来模拟用户的兴趣演变模式。最后，我们引入了序列图数据增强方法和长期与短期兴趣伪标签生成方法，以生成有助于模型训练的无监督信号。在真实世界数据上进行的广泛实验验证了我们所提出模型的有效性。我们的模型实现代码可在以下链接获取：https://github.com/jiubaoyibao/LS4SRec。