GReCF：基于连续空间协同过滤的生成式推荐

基于摘要分析。该研究面向图像生成式推荐，旨在突破固定物品目录，在保留用户历史偏好的同时生成符合潜在兴趣的新物品。作者将任务表述为连续物品空间中的协同偏好场补全，并提出无需参考图像的生成式推荐方法 GReCF。 机制上，论文以基于用户和基于物品的协同过滤作为两类补全机制。GReCF 使用自适应多兴趣主题表示用户，每次生成锚定一个主题，再通过 residual preference attention 将用户条件和主题条件注入预训练扩散模型。共享训练用于在用户之间传递偏好证据，掩码兴趣训练用于学习共同出现的主题之间的关系，以支持超出已观测历史的偏好外推。摘要未给出具体损失函数、条件注入结构或扩散模型的训练范围。 数据与评估方面，作者构建了包含一百万条正向交互的合成数据集 CIGR，并提出专门关注生成式推荐外推能力的评估协议。作者报告，在三个数据集上，GReCF 取得具有竞争力的排序表现、较强的个性化能力、良好的图像质量与较高覆盖率，同时实现较可靠的协同过滤外推，缺乏支持的生成较少。作者还报告，冷启动生成能够保留初始兴趣并支持协同过滤外推。摘要未提供另外两个数据集名称、数据划分、对照基线、具体指标或数值，因此这些结论目前只能按作者的定性报告理解。 阅读全文时需核对：外推目标及其支持证据如何定义，合成数据如何构造，冷启动条件如何设置，以及排序、个性化、覆盖率与图像质量是否存在权衡。实验协议、消融及统计信息尚未验证。该工作的主要对象是用户偏好与图像生成，不是神经信号建模；现有材料不足以建立具体的 EEG/BCI 迁移路径，故不据此提出迁移效果或复现实验建议。