互谐：基于双对比网络的序列推荐

随着当今流式数据的爆发，序列推荐是实现时间感知个性化建模的一种有前景的方案。其旨在基于历史物品序列推断给定用户的下一个交互物品。近期一些工作倾向于通过对历史物品进行随机掩码来生成自监督信号以改进序列推荐。但此类方法确实会导致更稀疏的物品序列和不可靠的信号。此外，现有序列推荐模型仅以用户为中心，即基于按时间顺序排列的历史物品来预测候选物品的概率，忽略了来自提供商的物品是否能够被成功推荐。这种以用户为中心的推荐将使提供商无法曝光其新物品，未能考虑用户与物品维度之间的一致交互。在本文中，我们从物品中心维度提出一种新颖的双对比网络（DCN）以实现用户与物品提供商之间的互谐，通过辅助用户序列为序列推荐生成真实自监督信号。具体而言，我们提出双重表示对比学习，通过最小化给定用户/物品与其历史物品/用户表示之间的欧氏距离来精炼表示学习。在第二个对比学习模块之前，我们执行下一用户预测以捕捉特定类型用户偏好的物品趋势，并为物品提供商提供个性化曝光机会。最后，我们进一步提出双重兴趣对比学习，以自监督来自下一物品/用户预测的动态兴趣和匹配概率的静态兴趣。在四个基准数据集上的实验验证了我们提出方法的有效性。