基于解耦长短期兴趣的用户兴趣建模方法

建模用户的长期和短期兴趣对于准确的推荐至关重要。然而，由于没有手动标注用户兴趣的标签，现有方法总是遵循将这两个方面纠缠在一起的范式，这可能导致推荐准确性和可解释性较差。在本文中，为了解决这个问题，我们提出了一个对比学习框架，以将推荐的长期和短期兴趣（CLSR）与自我监督分开。具体来说，我们首先提出了两个独立的编码器来独立捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其相应兴趣代理之间的相似性。最后，由于长期和短期利益的重要性是动态变化的，我们建议通过基于注意力的网络自适应地聚合它们进行预测。我们对电子商务和短视频推荐的两个大规模真实数据集进行了实验。经验结果表明，我们的 CLSR 始终优于所有最先进的模型，并有显着改进：GAUC 提高了 0.01 以上，NDCG 提高了 4% 以上。进一步的反事实评估表明，CLSR 成功地实现了长期和短期利益的更强解耦。