Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation

本文介绍了一种新的顺序推荐模型——多级序列去噪与交叉信号对比学习（MSDCCL），旨在通过历史交互序列为用户推荐下一个物品。最近，许多研究致力于通过分配更低的注意权重或直接丢弃嘈杂的物品来减少噪音物品对序列的影响。这些方法的主要局限性是前者仍然容易过度拟合嘈杂的物品，而后者可能会忽略有用的物品。为此，本文提出了一种新的模型，即MSDCCL，通过引入目标感知的用户兴趣提取器来同时捕捉用户的长期和短期兴趣，并结合软硬信号去噪策略来减轻噪音物品的影响。此外，本文还通过模拟人类的学习模式扩展了现有的课程学习。值得注意的是，我们提出的模型可以无缝地集成到大多数现有的推荐模型中，并显著提高其有效性。本文在五个公共数据集上进行了实验研究，结果表明，所提出的MSDCCL优于现有的基线模型。源代码可在https://github.com/lalunex/MSDCCL/tree/main上公开获取。

提出一种名为Multi-level Sequence Denoising with Cross-signal Contrastive Learning (MSDCCL)的模型，用于解决序列推荐中噪声项的影响问题。

使用目标感知的用户兴趣提取器来同时捕捉用户的长期和短期兴趣，并开发多级序列去噪模块来缓解噪声项的影响，同时扩展了现有的课程学习方法。

该模型可以与大多数现有的推荐模型无缝集成，并显著提高它们的效果。实验使用五个公共数据集进行，结果表明该模型优于当前最先进的基线模型。作者提供了开源代码。

最近的相关研究包括：《Attentive Sequence-to-Sequence Recommendation for Video Question Answering》、《Graph Convolutional Matrix Completion for Bipartite Edge Prediction》等。