面向搜索增强推荐的反事实学习驱动表征解耦

基于摘要分析。本文研究搜索增强推荐中的负迁移问题：搜索中的查询—点击交互既包含可用于推荐的用户兴趣信息，也包含搜索场景特定的即时意图。作者提出 ClardRec，通过反事实学习驱动物品表征解耦，提取与查询无关的一般特征，用于增强推荐。 核心机制建立在一个假设上：用户在某个查询下点击物品，不仅因为物品与查询匹配，也因为颜色、风格等一般属性符合其兴趣。作者利用搜索查询构造反事实信号，考察移除物品的查询相关特征后，用户偏好与查询匹配会如何变化，据此分离查询无关表征，再用于推荐场景的特征增强和数据增强。摘要未说明反事实信号的具体构造、损失函数及增强实现，尚不能判断这种分离是否充分识别了稳定兴趣。 作者报告，在真实数据集上的协同过滤和序列推荐场景中，ClardRec 均有效；摘要未提供数据集名称、划分协议、对照方法、指标或数值，因此不能量化收益，也不能直接比较不同场景的效果。实验协议、消融及统计信息尚未验证，复现还需核对查询与点击数据要求、反事实构造和训练细节。 平台推测（待验证）：其可供跨领域考察的机制是分离可迁移因素与场景特定因素，而非现成的 EEG 方法。假设 EEG 数据具有明确任务提示或条件标注，可考察用条件信息构造对照信号、保留跨会话稳定任务表征的可行性；但搜索查询不等同于 EEG 任务条件，需改造反事实生成与表征约束。低信噪比、被试差异、通道变化及小数据可能使解耦不稳定，甚至误删任务信息。一个小规模可检验实验是在固定跨会话划分下，对比相同编码器加入或不加入该类约束，并检验任务性能及条件信息可预测性的变化。已有 EEG 相关工作尚未检索确认。