FineRec：探索细粒度序列推荐

序列推荐致力于基于用户的历史行为为其提供感兴趣的物品。用户在物品评论中表达的属性-观点对，提供了在细粒度层面捕获用户偏好和物品特征的潜力。为此，我们提出了一种新颖的框架 FineRec，探索评论的属性-观点对以精细处理序列推荐。具体而言，我们利用大型语言模型从评论中提取属性-观点对。对于每个属性，创建一个独特的特定属性的用户-观点-物品图，其中相应的观点作为连接异构用户和物品节点的边。为了应对观点的多样性，我们设计了一种多样性感知卷积操作来聚合图内的信息，从而实现特定属性的用户和物品表示学习。最终，我们提出了一种交互驱动的融合机制，以跨所有属性整合特定属性的用户/物品表示，从而生成推荐。在多个真实世界数据集上进行的大量实验证明了我们的 FineRec 相对于现有最先进方法的优越性。进一步的分析也验证了我们细粒度方式在处理该任务上的有效性。