信号即不同步：用于顺序推荐去噪的双视图校准

顺序推荐旨在通过捕捉用户时间意图和项目级别的转换模式来建模用户兴趣的演变。基于Transformer的推荐系统在学习长程和可解释依赖方面表现出强大的能力，但仍然容易受到与用户真实偏好不一致的行为噪声的威胁。最近的大型语言模型(LLM)方法试图通过静态语义编辑来去除交互历史中的噪声。此类方法忽略了推荐模型的学习动力学，未能考虑用户兴趣不断演变的本质。为此，我们提出了一个用于顺序推荐去噪的双视图校准框架(DC4SR)。具体而言，我们引入一个语义先验，从一个通过标记的历史交互微调的LLM派生，用于从语义角度估计噪声分布。从学习的角度，我们进一步采用模型侧后验，通过模型的学习动力学推断噪声分布。两个分布之间的不一致随后被用于联合细化语义理解和学习感知的模型侧表示。通过迭代更新，实现对全局语义先验和模型侧后验的动态双视图校准，从而实现与演变用户兴趣的持续一致性。广泛的实验表明，DC4SR在多个实验条件下均一致优于强大的基于Transformer的推荐系统和LLM-based去噪方法，展现出在训练阶段和噪声条件下的增强鲁棒性。