.png){kind=icon}
返回
Learning unified denoised representations for sequential recommendation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06597-w.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（SR）已被广泛应用于许多互联网应用，例如电子商务、社交平台和热门新闻。SR中的用户行为序列数据通常包含短期依赖、长期依赖和噪声的复杂模式，这可能导致SR模型误解用户意图并过拟合噪声模式，但现有方法无法同时解决这些问题。为解决此问题，我们提出了一个用于SR任务的模型，用于学习统一去噪表示（UniDR），该模型由三个模块组成。第一个模块采用具有自适应学习机制的图神经网络（GNNs），通过动态加权物品转换来捕捉短期依赖。第二个模块利用自注意力机制来有效建模整个物品序列中的长期依赖。第三个模块专注于通过前馈网络从上下文信息中提取长期序列模式。每个模块独立生成去噪表示，无论是通过GNNs中的弱边移除，还是通过频域变换。UniDR通过联合优化BPR损失、对齐损失和均匀性损失来整合这些去噪表示。在五个公开基准数据集上的大量实验表明，UniDR在推荐性能和对抗交互噪声的鲁棒性方面具有优越性。与最强的现有最先进基线相比，UniDR实现了显著提升，平均Hit Rate（HR）提高10.63%，Normalized Discounted Cumulative Gain（NDCG）提高21.47%，Mean Reciprocal Rank（MRR）提高23.71%。
Keyword:
Sequential recommendation
Denoised representation
Time domain
Frequency domain
Sequential context
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
A time-aware self-attention based neural network model for sequential recommendation基于时间感知的自注意神经网络序贯推荐模型
PREAI
分享收藏Long and Short-Term Interest Contrastive Learning Under Filter-Enhanced Sequential Recommendation过滤增强序贯推荐下的长短期兴趣对比学习.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏S3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization
OAAI
OAAI分享收藏
查看更多内容