面向序列推荐的 ID-内容模态对齐自监督表征学习

基于摘要分析。该研究面向交互历史有限时的序列推荐问题，提出 SICSRec，通过对齐物品 ID 与文本、视觉内容表征，联合学习用户行为偏好与内容偏好；主要研究对象是推荐系统，而非 EEG 或 BCI。 方法包含三个环节：首先，利用 LLM 驱动的样本构造及监督微调，对齐物品级不同内容模态的表征；其次，采用基于 Transformer 的序列模型，由 ID-modality sequence encoder 学习行为偏好、content-modality sequence encoder 学习内容偏好，再由 mix-modality sequence decoder 建模两类偏好的关系；最后，通过包含 content-aware contrastive learning 任务的两步训练策略，对齐内容与 ID 表征，并解耦内容模态依赖和物品协同依赖的训练。摘要未给出样本构造细节、监督来源、具体损失形式及阶段间参数更新方式。 作者报告，在四个公开视频流数据集上，相对于 ID 模态和内容模态的先进序列推荐基线，NDCG@5 与原文写作“NDCD@10”的指标平均分别提升 8.04% 和 6.62%。第二项指标名称可能存在拼写问题，且两组基线与两项提升的对应关系、提升计算口径尚需核对全文；不能将这些数字解释为百分点变化。数据集名称、划分协议、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，分离异质信息来源并分阶段对齐，或可用于同时具有 EEG 试次、刺激内容及重复刺激标识的数据。但推荐中的 item ID 与协同交互结构不等同于 EEG 生理信息，需将行为序列编码模块改造为 EEG 编码模块，并重新定义正负样本及对齐目标。低信噪比、跨被试差异、通道不一致和小样本可能使模型依赖刺激身份而非可泛化神经表征。可在配对 EEG–刺激内容数据上，以固定跨被试划分比较直接联合训练与分阶段对齐，并检验未见刺激上的表现；这仅是可证伪的迁移假设，已有 EEG 相关工作尚未检索确认。