Retrieval-augmented diffusion with structural uncertainty for sequential recommendation

doi:10.1016/j.eswa.2026.133588

Retrieval-augmented diffusion with structural uncertainty for sequential recommendation

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133588

原文链接

原文求助

摘要

En 中文

基于用户行为历史的序列推荐可预测用户下一次交互，但常受数据稀疏性困扰。近期，对比学习通过生成增强视图成为有前景的解决方案。然而，现有方法通常对所有用户序列采用统一策略。这种“一刀切”策略忽视了用户兴趣的结构不确定性，部分序列在增强下稳健，而其他序列易受语义漂移影响。为弥合这一差距，我们提出检索增强扩散模型用于序列推荐（RADRec）。具体而言，我们首先引入结构熵和耦合估计，分别量化用户兴趣的多样性和连通性。在这些双重指标指导下，RADRec将具有竞争性且弱连接兴趣的序列识别为结构脆弱序列，针对这些序列采用自对齐以缓解语义不一致。相反，其他序列被视为结构稳健模式，我们利用检索引导扩散模型合成对比学习的互补视图。在四个公开数据集上的广泛实验表明，RADRec优于现有最优基线方法，即使在噪声和稀疏数据条件下也能学习到更稳健的表示。

Keyword:

Sequential recommendation

Contrastive learning

Semantic drift

Diffusion models

Retrieval-augmented diffusion with structural uncertainty for sequential recommendation

摘要

期刊

机构

引用论文