面向推荐的细粒度表征学习与多视图协同增强

基于摘要分析。本文研究推荐系统中用户社交关系、物品知识依赖等辅助视图如何增强用户—物品交互表征，提出 FiCoRec，以处理不同视图学习行为差异带来的语义鸿沟，并联合利用辅助视图的协同信息。 方法包含 Hierarchical Knowledge Transfer（HKT）与 Multi-view Semantic Fusion（MSF）。HKT 通过 interaction semantic decouple（ISD），将交互视图嵌入解耦为 homogeneous features（hoFs）和 heterogeneous features（heFs），再利用分层对比学习框架，从中间层捕获局部与全局语义以增强 hoFs。MSF 则借助元学习实现多视图协同增强。摘要未交代解耦约束、对比学习样本构造、元学习任务及训练与推理流程，这些机制的具体实现尚未验证。 作者报告，在五个数据集、七种基线方法的比较中，FiCoRec 相对其所称的当前最优方法取得 0.33%–2.76% 的提升。摘要未给出指标名称、数据集名称、划分与提升计算口径，因此不能将其解释为 Accuracy 增益或百分点变化；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，先区分共享与异质信息，再联合增强多个视图，可能缓解 EEG 多视图融合中的语义不一致。但原方法依赖用户—物品交互及辅助关系图，不能直接等同于 EEG 的通道、频段或模态关系。可复用的候选机制是表征解耦与分层对比学习，图结构、监督目标和元学习任务均需重新设计；低信噪比、跨被试差异、通道缺失和小样本可能使共享语义估计失真。一个小规模可证伪实验是在固定 Cross-subject 划分与编码器的前提下，对比直接融合、仅解耦及解耦加协同增强，检验增益是否稳定，并严格限定目标被试数据的使用方式。相关 EEG 工作尚未检索确认。