长期与短期细粒度属性感知的动态图推荐

《Expert Systems with Applications》:Long-term and Short-term Fine-grained Attribute Environment-aware Dynamic Graph Recommendation

【字体: 大 中 小 】 时间:2026年08月10日 来源:Expert Systems with Applications 9.4

编辑推荐:

  •基于长短期偏好构建的细粒度动态用户兴趣模型。•结合图结构扩展学习的层次化用户兴趣建模方法。•通过序列解耦与补全来模拟复杂的动态用户行为。•实现动态短期兴趣捕捉的同时保持用户兴趣的稳定性泛化。•多项综合实验验证了该方法的有效性以及多阶段兴趣演变特性。 引言 基于动态图神经网络(

  •基于长短期偏好构建的细粒度动态用户兴趣模型。•结合图结构扩展学习的层次化用户兴趣建模方法。•通过序列解耦与补全来模拟复杂的动态用户行为。•实现动态短期兴趣捕捉的同时保持用户兴趣的稳定性泛化。•多项综合实验验证了该方法的有效性以及多阶段兴趣演变特性。

引言
基于动态图神经网络(DGNN)的推荐系统在亚马逊等电子商务平台以及Facebook、Instagram等社交娱乐平台中发挥着核心作用(Chen, Zheng, Xu, Zhu, Zhao, 2025;Ong, Khong, 2025;Zhang, Li, Wu, Liu, Chang, Gao, 2022)。以往的方法将用户-物品交互记录表示为静态交互矩阵,通过高阶消息传播与聚合方式学习节点嵌入(Mo, Xie, Tang, Gao, 2026;Yu, Tan, Lu, Bao, 2025)。为更精准地捕捉用户偏好,研究人员引入了用户年龄、电影类型等传统辅助属性,并通过将这些属性直接与节点嵌入拼接或利用注意力机制融合来优化表示效果(Zhang, Song, Huang, Swami, & Chawla, 2019a)。例如,A2-GCN(Yue, Xiao, Zhao, & Li, 2022)将多个物品属性纳入目标节点的邻域中,从而丰富用户和物品的表示内容。但这些方法在处理用户-物品交互时未能充分考虑属性兴趣环境中的动态变化,这限制了它们的通用性和有效性(Rusch, Bronstein, & Mishra, 2023),这一缺陷在现实应用中尤为明显。相比之下,我们的方法能够模拟用户-物品交互的时间演化过程,并结合细粒度的属性-环境分布来提升推荐精度,因此更适用于现实世界的推荐场景(Chen, Zhang, Yan, Wang, & Wang, 2021)。

早期的研究主要基于马尔可夫链(Rendle, Freudenthaler, & Schmidt-Thieme, 2010)和循环神经网络(RNN)(Sun et al., 2020)方法,通过分析用户行为的长期变化来实现序列预测。DDGHM(Zheng, Su, Liu, & Chen, 2022)则通过双动态图和混合度量训练来解决跨领域任务,以此提升模型的推荐性能。为更全面地捕捉用户兴趣,研究人员在交互过程中引入时间、位置或会话状态等外部因素作为上下文属性信息,用以优化物品序列学习过程。SNPM(Yin et al., 2023)则结合时间差和地理距离因素,通过序列驱动的邻居搜索和多步预测机制有效提升了预测性能。此外,Ada-Retrieval框架(Li, Lian, Zhou, & Xie, 2024)采用了自适应的多轮检索策略,通过迭代优化用户表示来挖掘物品空间中的候选物品。该框架利用用户和物品表示适配器,并整合上下文信息以增强学习到的嵌入表示。然而,这些方法过度强调了交互的顺序性,可能忽视了用户与物品之间协作信号的重要性,进而影响其推荐效果。与之相比,我们的方法在捕捉序列特征的同时,还整合了不同时间快照下的高阶协作信号,从而有效提升了模型性能。

近期,研究人员开始探索推荐系统中的离散动态图,以此更好地模拟用户与物品之间的协作信号(Ren, Xia, Yang, Wei, Wang, Cai, Huang, 2024;Sankar, Wu, Gou, Zhang, Yang, 2020;Wang, Zeng, Yuan, Duan, Cheng, Jiang, 2025;Xu, Zhu, Shen, Yu, 2019)。PDGCN(Jing et al., 2023)构建了多个离散动态异构图,并共享用户和物品的表示内容,以此弥补现有系统的不足——那些系统因忽略信息多样性且受静态图结构限制而表现不佳。GLSP(Liu, Chen, Huang, Li, & Min, 2023)则结合GCN和LSTM模型,用于捕捉用户的长期和短期偏好。尽管它在兴趣点(POI)预测方面表现良好,但在挖掘用户-物品兴趣关系方面仍有欠缺。SLS-REC(Fu et al., 2024)设计了专门用于处理用户长期和短期偏好的网络,以快照序列作为输入来获取动态表示,但它将短期和长期兴趣简单叠加作为用户表示的方式并不完善。虽然与仅考虑用户动态的模型相比,它保留了更多的协作信号,但动态图的构建是一个复杂过程,会受到现实世界中各种底层环境的影响(Li, Zhang, Wang, Zhu, 2022;Yuan, Sun, Fu, Zhang, Ji, Peng, Li, 2024)。PDGCN和SLS-REC能够在一定程度上捕捉用户的长期和短期偏好,但它们无法有效建模潜在的用户-物品关系,且其短期兴趣学习主要依赖于简单的特征融合。此外,那些将图结构与变分自编码器相结合的现有推荐模型,如DGMVAE(Qiao, Chen, Li, & Gao, 2024)和MACRec(Zhang et al., 2026),主要聚焦于静态多模态特征解耦或量化语义ID生成。它们没有为时间交互构建细粒度的属性-环境约束,因此无法区分用户长期和短期兴趣之间的演化差异。而且,这些模型仅依赖随机专家模块或跨模态量化对齐来优化表示,缺乏在动态图快照下共同建模全局和局部属性分布的能力。与之相比,我们的方法能够建模深度的用户兴趣环境,并结合动态属性环境来更好地捕捉长期依赖关系,同时基于属性环境分布对短期兴趣学习进行约束。如图1所示,用户口味(如u1和u2)会受到个人状况和时间因素的影响。短期内,他们的兴趣不会突然改变,而是保持相对稳定;而从长远来看,则会呈现出逐渐演变的趋势(Fu, Gao, Yu, Wu, Li, Liu, Ye, 2024;Liao, Liu, Zheng, Wang, Li, Chen, 2024)。因此,那些依赖传统辅助信息(如用户年龄、电影类型等固有属性)和上下文属性信息(如时间、位置、会话状态等)的推荐方法,在捕捉现实场景中兴趣的演变过程时仍存在局限。这就要求推荐系统能够识别并适应多种属性和多个时间维度下的复杂模式,从而实现物品推荐。在本研究中,我们构建的属性兴趣环境通过动态图推荐中时间快照内的局部-全局属性分布来反映关联状态。随着时间的推移,它能够体现不同用户和物品属性之间偏好关系的加强、减弱或转变。

为解决上述问题,我们提出了一种创新的长期与短期细粒度属性环境感知动态图推荐(FAEA-DR)方法。该方法通过属性感知重构以及长期和短期环境感知,既能够建模属性环境的发展变化,也能捕捉用户行为的短期稳定性与长期趋势,从而避免用户兴趣分布出现偏差,并提升新物品推荐的泛化能力。首先,我们设计了双层属性注意力融合重构(DAFR)模块,该模块可在全局和局部两个粒度层面同时对属性兴趣环境分布进行建模,以此挖掘属性间的依赖关系。它通过自适应注意力机制融合属性并重构图结构,从而扩大用户兴趣的覆盖范围,提高用户兴趣预测的准确性。其次,为捕捉用户-物品交互的特征,我们设计了序列门控插值属性感知Transformer(SGIA-Transformer)。该模型通过序列分解和门控插值补全机制,对用户的长期行为进行差异化建模,同时结合动态属性环境来增强模型捕捉长期依赖关系的能力。此外,我们还设计了滑动窗口动态属性条件变分自编码器(SW-DCE)。该模型通过属性环境窗口自适应地建模短期偏好,同时约束用户短期兴趣分布的稳定性,从而有效捕捉用户偏好特征。我们在三个真实世界数据集上进行了大量实验,结果表明我们的模型相较于现有最先进模型具有更优异的性能。我们的贡献总结如下:
•我们提出了FAEA-DR模型,该模型利用双层细粒度属性环境和图重构技术,捕捉动态的属性兴趣环境分布,同时将长期序列演化相关性与短期环境分布相结合,实现双向协作的用户偏好建模。
•我们设计了DAFR模块,能够以细粒度的方式建模局部和全局的属性分布。该模块通过注意力机制融合多模式属性特征并扩展图结构,从而缓解用户兴趣建模的局限性,为用户和物品构建一个不断演变的属性环境。
•我们设计了SGIA-Transformer模块,通过奇偶序列分解和门控插值网络互补机制,对用户的长期行为进行差异化建模,同时结合动态属性环境来增强模型捕捉长期依赖特征的能力。
•我们设计了SW-DCE模块,能够在属性环境窗口内自适应调整并建模用户的短期偏好,同时基于属性环境分布约束学习短期兴趣,从而精准挖掘用户偏好,并在不同时间跨度下保持较强的泛化能力。

本文的其余部分结构如下:第2节回顾了基于GNN的推荐系统和动态图推荐领域的研究进展;第3节介绍了基本定义、问题表述及符号表;随后第4节详细阐述了所提出的FAEA-DR模型的整体框架、核心模块及优化目标;第5节介绍了实验设置和基准方法,并通过消融实验及深入的机制分析展示了全面的实验结果;最后第6节总结了本文内容,分析了我们工作的局限性,并指出了未来可能的 research方向。

相关工作
本节回顾了与本文研究密切相关的现有工作,主要涵盖两个研究方向:基于GNN的推荐系统和动态图推荐,为所提出模型的设计动机和创新点提供理论基础。

预备工作
在本节中,我们给出了基本定义(包括快照和用户-物品动态图)、符号表以及动态图推荐任务的问题定义。

FAEA-DR框架
本研究提出了FAEA-DR模型,该模型能够捕捉属性环境的发展变化,同时从动态的用户-物品交互中建模用户的长期和短期偏好。FAEA-DR由三个核心模块组成:DAFR、SGIA-Transformer和SW-DCE。DAFR能够提取每个时间快照中节点的局部和全局属性分布,并通过注意力机制实现自适应融合,从而丰富原有的图结构。SGIA-Transformer则能够对多层级序列进行建模……

实验
在本节中,我们首先介绍数据集和基准模型,然后对比整体性能,再通过消融实验验证各个模块的贡献。最后,通过分析超参数敏感性、模型稳定性以及时间和空间复杂度,进一步评估FAEA-DR的有效性、稳健性和泛化能力,同时揭示其在动态属性环境中建模用户长期和短期兴趣的机制。

结论
本研究提出了FAEA-DR模型,该模型通过属性感知重构以及长期和短期偏好建模,能够模拟用户-物品交互中属性环境的动态演化过程。首先,我们设计了DAFR模块,通过双全局-局部注意力机制自适应地建模属性兴趣环境的分布,从而重构属性和图结构,构建一个不断演变的属性环境。其次,我们设计了SGIA-Transformer模块,用于……

CRediT作者贡献声明
Longtao Wang:概念构思、原始草稿撰写、软件实现。Qingtian Zeng:项目管理、监督指导。Guiyuan Yuan:文本审阅与编辑。Hua Duan:文本审阅与编辑。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

Longtao Wang|Qingtian Zeng|Guiyuan Yuan|Hua Duan
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号