摘要
与顺序推荐（sequential recommendation）相比，顺序推荐利用用户的历史交互序列来捕捉兴趣特征，而时间特定推荐（time-specific recommendation）则通过分析历史时间信息来推断用户偏好，并在指定的目标时间戳下预测下一个项目的交互。然而，现有方法在有效表示复杂的兴趣动态及其时间演变方面仍存在局限性。为了解决这些局限性，我们提出了MIFARec，这是一种用于时间特定推荐任务的傅里叶分析网络（Fourier analysis network），具有混合兴趣表示（mixed-interest representation）功能。MIFARec通过聚合项目嵌入（item embeddings）、位置信息（positional information）和时间间隔信息（time-interval information）在会话（session）内构建混合兴趣表示。通过结合全局项目关联（global item associations），该方法能够代表长期的偏好模式，并克服了传统多兴趣框架（multi-interest frameworks）的局限性——这些框架通常固定兴趣的数量。传统框架无法充分捕捉用户偏好的多样性和层次性。固定的兴趣数量要么无法代表多样化的偏好，要么会引入冗余的兴趣集群，从而削弱推荐效果。同时，MIFARec通过利用傅里叶分析独特地捕捉混合兴趣的时间影响。它将时间对用户的影响视为通过傅里叶特征扩展（Fourier-feature expansion）实现的混合兴趣的周期性时间调制。在五个公共数据集上的广泛实验表明，MIFARec在Top-K推荐性能和计算效率方面优于现有的最先进方法。
