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。

用户兴趣模型及实时个性化推荐算法研究.pdf

适应用户兴趣变化的协同过滤推荐算法.pdf

无线网络中基于用户兴趣的分布式协作缓存和共享

基于用户兴趣分类的协同过滤推荐算法

结合长期和短期用户兴趣进行个性化标签推荐

用户兴趣模型是个性化推荐技术的基础与核心，针对现有用户兴趣模型在模型建立阶段用户兴趣评价的不足，提出了一种基于混合行为评价兴趣度值的方法。突出了用户阅读时间的特殊性，在用户阅读时间异常的情况下利用其他浏览行为来量化用户兴趣度，并结合用户的浏览内容提出了用户兴趣模型的表示和更新机制，从而建立用户兴趣模型。实验验证了兴趣度度量方法的有效性，将测试结果与K-means聚类模型进行比较，证明该模型的推荐准确度有明显提高。

CIKM比赛数据集

用户兴趣建模大赛top10开源代码 下面分别列出了这三部分对应的代码文件，依次每个代码文件的功能，输入，输出进行了详细说明。 1.预处理 merge_smallfiles.py 功能：将视觉特征的小文件合并；输入：视觉特征，存放于单独的小文件中；输出：train0.pkl，train1.pkl，test.pkl说明：由于内存限制，将训练集的视觉特征存放在两个文件中； random_sample.py 功能：分别在训练集和测试集视觉特征中采样10％，用于视觉特征聚类；输入：train0.pkl，train1.pkl，test.pkl输出：train0_sample0.1.pkl，train1_sample0.1.pkl，test_sample0.1.pkl 2. feature_engineering kmeans.py 功能：在10％的视觉特征上训练kmeans聚类算法，变为所有视觉特征进

数据描绘用户兴趣—欧时力.pdf