利用全局与局部物品转移模式进行序列推荐

《Data & Knowledge Engineering》：Exploiting global and local item transition patterns for sequential recommendation

　　

序列推荐旨在通过建模物品转移模式来捕捉动态用户兴趣，从而推断用户下一个可能访问的物品。基于Transformer的方法在此任务中应用广泛，但自注意力机制的时间复杂度随用户行为序列长度呈平方级增长。基于多层感知机(MLP)的推荐器因纯MLP模块提取物品转移模式，在缓解效率问题上表现出潜力。然而，已有方法存在三个主要局限：仅捕捉单一用户行为序列内的物品转移模式，忽略跨序列的转移信号；直接使用独热编码(one-hot encoding)建模长期用户偏好，难以有效利用协同信号；随机选取未交互物品作为负样本，区分难度低且对参数优化提供的信息有限。为此，研究人员提出了一种新颖的全局-局部序列推荐模型(GLSRec)，联合建模全局与局部物品转移模式以表征动态用户兴趣。首先，通过重组所有用户行为序列构建全局物品转移图，并设计图转移模块在该图上提取全局转移信号，将其注入物品嵌入向量中作为校准器引导后续局部MLP模块。此外，研究人员设计了一种兴趣感知的负样本生成器，在训练过程中动态合成困难负样本，而非随机选择未观测数据。在四个基准数据集上的实验结果表明，GLSRec在性能上优于近期最先进的模型。源代码已公开于https://github.com/wubinzzu/GLSRec。

研究背景方面，序列推荐在电子商务、兴趣点(POI)及微视频等在线服务中具有重要作用，旨在缓解信息过载并为用户提供个性化内容。传统协同过滤(CF)方法通常忽略用户兴趣随时间变化的动态性，而序列推荐则通过捕捉物品转移模式显式建模动态兴趣。早期方法包括马尔可夫链(MC)结合矩阵分解(MF)、高阶MC与相似模型集成、循环神经网络(RNN)与卷积神经网络(CNN)等结构，随后Transformer凭借自注意力机制取得显著性能，但其计算复杂度限制了大规模工业部署。近期基于多层感知机(MLP)的序列推荐模型在效率上具有优势，但仍存在三大缺陷：未能充分挖掘短期兴趣中的物品转移模式，缺乏全局跨序列依赖；未能有效利用用户-物品二分图中的协同信号；负采样策略多采用随机采样，难以提供具有挑战性的训练信号。因此，研究人员提出了全局-局部序列推荐模型(GLSRec)，发表于《Data》。

关键技术方法方面，研究人员构建了全局物品转移图，将物品作为节点、用户作为边，形成有向转移关系；设计了图转移模块执行嵌入传播以提取全局转移信号，并将该模块作为校准器引导下游局部MLP模块；局部模块由因子混合器(factor-mixer)与物品混合器(item-mixer)组成，分别捕捉近期访问物品的潜在因子重要性及序列内各物品的相对贡献；训练阶段采用兴趣感知负样本生成策略，利用mixup技术合成候选样本并与用户当前兴趣对齐，避免直接选择困难负样本带来的风险。实验基于四个真实场景的数据集进行。

研究结果方面，首先在RQ1中，通过与九种最先进(SOTA)推荐器的比较，GLSRec在所有数据集上均取得了显著的性能提升。其次在RQ2中，训练效率分析表明，GLSRec在计算开销上优于基于Transformer的模型，同时保持较高的推荐精度。RQ3验证了各关键组件的作用，移除图转移模块或兴趣感知负采样策略均会导致性能下降，证明全局信息与动态负采样的重要性。RQ4探讨了超参数设置对结果的影响，发现图传播层数与混合比例在一定范围内对性能有正向作用，但过高会导致过拟合。

讨论与结论部分，研究人员指出GLSRec通过融合全局与局部物品转移模式，兼顾了短期兴趣的动态变化与长期偏好的协同信号利用，同时避免了困难负采样可能引发的误分类风险。该方法首次在序列推荐中强调全局与局部序列信息的结合，并通过图神经网络(GNN)与MLP的协同实现了高效且准确的推荐。实验结果证实了其在多个应用场景下的通用性与优越性，为序列推荐系统的设计与优化提供了新的思路。