基于主导偏好解耦与扰动偏好引导注入的跨域序列推荐模型DP-CSR研究

针对跨域序列推荐中主导偏好与扰动偏好影响预测效果的问题，华南师范大学团队提出DP-CSR模型，通过多通道超图学习解耦主导偏好，结合门控机制动态注入跨域扰动偏好，实验证明其在六大数据集上显著优于现有方法，为缓解数据稀疏性提供新思路。

　　

在当今数字化时代，个性化推荐系统已成为电商和内容平台的核心工具，但数据稀疏性和冷启动问题长期制约其性能。跨域序列推荐（Cross-Domain Sequential Recommendation, CDSR）通过整合多领域用户交互序列，试图破解这一难题。然而，现有方法如π-Net和C2DSR等，往往忽视用户行为中主导偏好（Dominant Preference）的稳定性与扰动偏好（Perturbed Preference）的动态性对推荐结果的影响，导致预测偏差。

针对这一瓶颈，华南师范大学计算机科学学院的研究团队在《Neural Networks》发表研究，提出主导偏好解耦与扰动偏好引导注入模型（DP-CSR）。该模型创新性地将用户偏好解耦为两类：通过多通道超图学习（Multi-channel Hypergraph Learning）提取的稳定主导偏好，以及通过序列编码器（Sequence Encoder）和门控机制（Gating Mechanism）动态整合的跨域扰动偏好。实验表明，DP-CSR在Amazon和HVIDEO等六大数据集的跨域场景中，推荐性能显著超越现有技术，为解决数据稀疏性提供了可解释的新范式。

研究采用三大关键技术：1）多通道超图卷积构建序列偏好原型，捕获多维度主导偏好；2）联合建模跨域序列与混合序列，通过门控机制动态调节扰动偏好信息流；3）基于对比学习（Contrastive Learning）的优化目标，实现偏好解耦与跨域对齐。

研究结果

1. 主导偏好建模：通过超图学习提取的偏好原型显示，用户在同一领域内存在显著稳定的兴趣特征，注意力机制加权后AUC提升12.7%。
2. 扰动偏好融合：门控机制有效筛选跨域关键信息，在混合序列中扰动偏好贡献度达38.5%，优于传统联合建模方法。
3. 对比学习优化：提出的解耦目标使跨域偏好对齐误差降低21.3%，验证了模型对异构数据的适应能力。

结论与意义
该研究首次在CDSR领域系统解耦用户偏好，DP-CSR通过主导偏好保持与扰动偏好动态注入的协同机制，不仅缓解了数据稀疏性，还为多行为序列建模提供新视角。未来可扩展至医疗健康等跨域推荐场景，其门控机制设计对多模态数据融合亦有借鉴价值。团队指出，超图通道数对性能影响显著（最佳通道数为5），这为后续研究提供了调优方向。