基于解释性方法的对比学习优化在序列推荐系统中的研究与应用

针对序列推荐中对比学习(CL)因随机噪声导致正样本语义失真问题，研究者提出CLEM4Rec模型，通过解释性方法计算序列重要性并引入自适应频率滤波模块降噪，显著提升正样本质量。实验表明该方法在五个真实数据集上超越现有技术，为推荐系统性能优化提供新思路。

　　

在数字化浪潮中，推荐系统已成为电商、流媒体等平台的核心技术，而序列推荐（Sequential Recommendation, SR）通过挖掘用户历史行为的时间模式，能够更精准地预测用户兴趣。然而，现有方法面临两大挑战：数据稀疏性导致模型训练不足，以及用户交互中的随机噪声（如误点击）干扰语义建模。尽管对比学习（Contrastive Learning, CL）通过拉近正样本对、推开负样本对的方式提升了表征质量，但传统CL4SRec等模型采用随机数据增强（如掩码、裁剪），可能破坏正样本的语义一致性；而DuoRec的监督采样策略因噪声干扰，可能将不同语义序列误判为相似样本，形成“假阳性”问题，最终导致推荐性能下降。

针对这一瓶颈，中国研究人员提出CLEM4Rec模型，创新性地将解释性方法（Explanation Method）与频率域降噪技术结合，首次实现基于语义相似性的正样本筛选。该成果发表于《Expert Systems with Applications》，其核心突破在于：通过集成梯度（Integrated Gradients）量化序列中每个项目对预测结果的贡献度，构建重要性权重矩阵，从而准确计算序列间语义相似性；同时设计自适应频率滤波模块，将用户序列转换至频域后利用可学习滤波器抑制噪声，再逆变换回序列空间。这种“语义清洗+噪声过滤”的双重机制，显著提升了对比学习的样本质量。

关键技术方法
研究采用多任务学习框架，结合推荐主任务和对比学习辅助任务。首先利用Transformer架构建模用户序列，通过集成梯度（50次积分步长）计算项目重要性；其次设计频率滤波模块，对序列进行傅里叶变换后应用可学习滤波器实现自适应降噪；最后基于重要性权重矩阵筛选高语义相似性正样本，优化InfoNCE损失函数。实验在五个公开数据集（含电商和社交平台数据）上验证性能，采用Hit Rate@K和NDCG@K作为评估指标。

研究结果

1. 模型性能对比：CLEM4Rec在五个数据集上的Hit Rate@10和NDCG@10平均提升9.3%和11.2%，显著优于CL4SRec、DuoRec等基线，证明语义对齐的有效性。
2. 消融实验：频率滤波模块使噪声序列的语义一致性提升23%，解释性方法贡献了62%的正样本质量改进，验证双模块协同必要性。
3. 噪声鲁棒性：在注入20%随机噪声的合成数据中，CLEM4Rec性能波动幅度仅为基线模型的1/4，凸显其抗干扰能力。

结论与意义
该研究首次将解释性方法与频域降噪引入序列推荐的对比学习框架，解决了假阳性样本导致的语义漂移问题。CLEM4Rec不仅为推荐系统提供更可靠的用户表征学习方案，其“重要性权重+频域滤波”的技术路径对医疗时序数据分析、金融行为预测等跨领域任务具有普适参考价值。未来研究可探索该方法在CNN、GNN等架构的迁移应用，进一步拓展其解释性与鲁棒性优势。