用于顺序推荐的长短期兴趣去噪网络

用户兴趣可在不同时间尺度下进行视图，主要包括稳定的长期偏好和变化的短期意图，其组合有助于全面地进行顺序推荐。然而，专注于不同时间尺度的用户建模的现有工作忽略了不同时间尺度噪声的负面影响，这阻碍了捕捉实际用户兴趣，且无法通过常规的顺序去噪方法予以解决。本文提出一种长短期兴趣去噪网络 (Long- and Short-term Interest Denoising Network, LSIDN)，通过不同编码器和量身定制的去噪策略分别提取长期和短期兴趣，从而实现全面且稳健的用户建模。具体而言，我们采用会话级兴趣提取和演化策略，以避免将跨会话行为噪声引入长期兴趣建模；我们还采用配对学习搭配均匀交换数据增强，以缓解意外行为噪声对短期兴趣建模的影响。在两个公共数据集上的实验结果表明，LSIDN 在所有最先进模型上均表现出色，并实现了显著的鲁棒性。