共演化黎曼空间上的对比序列交互网络学习

序列交互网络常见于多种应用，例如推荐系统。其中，推断未来交互至关重要，以往工作主要关注经典零曲率欧氏空间中的动态。尽管先前方法取得了有希望的结果，但一系列重要问题仍然存在：关于二分性质，将用户和物品节点置于同一空间而不考虑其固有差异是否合适？关于网络动态，当新交互不断到来时，表示空间是否会演化，而不是固定曲率空间？关于学习范式，我们能否摆脱昂贵标签信息？为了解决上述问题，我们提出了一种新颖的对比模型，用于共演化黎曼空间上的序列交互网络学习，称为CSINCERE。据我们所知，我们首次引入了共演化表示空间对，而不是单个或静态空间，并提出了用于序列交互网络的共对比学习。在CSINCERE中，我们制定了跨空间聚合，用于不同黎曼几何表示空间之间的消息传递，并设计了基于里奇曲率的神经曲率估计器来建模空间随时间演化。随后，我们提出了序列网络时间视图之间的重加权共对比，使得黎曼空间对相互交互，无需标签即可进行交互预测。在5个公共数据集上的实验结果表明，CSINCERE优于最先进方法。