.png){kind=icon}
返回
Collaborative-Guided Diffusion for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/tkde.2026.3722938.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
序列推荐旨在根据用户的历史交互序列预测下一个符合其偏好的项目。传统序列推荐方法可视为基于理解的方法，通过分析用户历史交互和评分模式来确定下一个相关项目。近年来，基于扩散的模型作为一种有前景的范式出现，重点学习数据分布而非显式挖掘序列模式。然而，现有的基于扩散的方法仍存在两个局限性。首先，它们通常通过转换将离散目标项目映射到连续空间，未能准确建模反映未来用户偏好的目标项目。其次，现有的条件引导扩散模型过度依赖来自序列内模式的显式条件，而忽略了序列间协同信号，这阻碍了用户偏好建模的鲁棒性。为弥合协同信号与扩散模型之间的差距，我们提出DCDRec，一种双协同信号引导的扩散推荐模型。具体而言，对于目标项目表示，我们采用基于交叉注意的编码器获取具有上下文感知的目标项目嵌入。对于条件引导建模，我们将社会同质理论及项目-项目亲和力纳入条件生成过程，引入双协同信号引导的去噪机制生成新项目。大量实验证明了DCDRec的有效性及其相较于当前最优方法的优越性。
Keyword:
Sequential recommendation
diffusion model
conditional guidance
user preference modeling
查看更多机构