.png){kind=icon}
返回
Causality-aware dual-scale preference model for sequential recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
序列推荐因其自然地捕捉用户行为动态的能力，在推荐系统中引起了广泛关注。尽管多尺度因果方法在建模方面取得了显著进展，但大多数现有方法未能有效利用有价值的偏差信息。因此，去偏差后的表示往往会丢失关键个性化信号，进而限制了推荐性能。为解决此问题，我们提出了面向序列推荐的因果感知双尺度偏好模型（CADSR），协同建模用户的长远稳定偏好和短期个性化兴趣。具体而言，CADSR构建了一个新颖的因果图用于序列推荐，以明确表征因果路径和混淆变量的影响。随后，它应用前门调整策略去除长期偏好的偏差，同时保留并放大短期交互中嵌入的关键偏差信号，以增强个性化。在五个真实数据集上的广泛实验表明，CADSR相较于现有最优的序列推荐方法，在HR@5指标上平均提升了4.55%，在NDCG@5指标上平均提升了5.13%，证实了其在推荐精度、鲁棒性及个性化建模能力方面的整体优越性。
Keyword:
Sequential recommendation
Causal modeling
Dual-scale preference
Bias removal
Personalized modeling
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Joint Personalized Markov Chains with social network emb e dding for cold -start recommendation.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A Multi-view Graph Contrastive Learning Framework for Cross-Domain Sequential Recommendation跨域序列推荐的多视图图对比学习框架
PREAI
分享收藏Long- and short-term self-attention network for sequential recommendation序贯推荐的长期和短期自我注意网络NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏 没有更多内容
没有更多内容