面向可迁移推荐的协同词级预训练物品表征

基于摘要分析。本文研究序列推荐中的可迁移物品表征：传统 ID 嵌入难以跨域共享，而预训练语言模型生成的文本表征未充分利用协同过滤（CF）信息。作者提出 CoWPiRec，将物品级交互数据转换为包含词级协同关系的词图，并通过预训练任务对齐与语义及 CF 相关的物品表征。 其核心思路是在文本表征中引入交互结构，而非仅依赖文本语义或不可跨域共享的物品 ID。该机制依赖物品文本及物品级交互数据；词图的节点与边定义、交互到词级关系的转换规则、对齐损失和训练流程均无法由摘要确认。 作者报告，在多个公共数据集的跨场景推荐评估中，CoWPiRec 在微调和 zero-shot 设置下均优于所比较的先进可迁移序列推荐方法，并能缓解冷启动问题。摘要未提供数据集名称、具体指标、提升数值、数据划分或显著性检验细节，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现与复现条件尚未核验。 本文主要对象是推荐系统，而非 EEG 或 BCI。平台推测（待验证）：若神经信号样本具有可共享的文本描述，以及不依赖测试标签构建的可靠关系数据，可探索借鉴“关系结构注入语义表征”的思路；可复用的是图关系与语义表征的对齐原则，需改造的是信号编码器和关系构建方式。EEG 的低信噪比、被试差异、通道配置差异及小数据可能使关系图主要反映采集条件而非任务语义。一个可证伪的小实验是在固定跨被试划分下，对比仅语义对齐、真实关系对齐与打乱关系对齐；若真实关系不能稳定优于两项对照，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。