面向序列推荐的解耦多兴趣表示学习

基于摘要分析。本文研究序列推荐中的多兴趣表示坍缩：不同兴趣向量因缺乏有效引导而趋于相似，难以表达用户的多方面偏好。作者提出利用全局共同购买可能性指导物品划分，再通过多任务学习将划分与多兴趣建模对齐，以学习更具区分性的兴趣表示。 机制上，作者称建立了物品划分与谱聚类之间的理论联系，用于解释如何缓解物品级和偏好侧面级的表示坍缩。为高效优化划分问题，方法从两个独立的 Markov Random Field（MRF）中采样小规模子图，将优化问题近似为交叉熵损失并通过对比学习求解。摘要未给出两个 MRF 的具体定义、采样策略、损失表达式及多任务权重，这些细节尚待全文核对。 作者报告，在三个真实世界推荐数据集上，该方法显著优于所比较的先进方法，并可作为插件增强现有多兴趣模型。摘要未提供数据集名称、划分协议、评价指标、具体增益或显著性检验细节，因此无法据此判断提升幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的机制假设是，以外部关系图约束多个潜在表示，可能缓解 EEG 多表示学习中的坍缩；但原方法依赖用户行为序列及全局共同购买关系，不能直接对应 EEG 的生理成分。若探索迁移，可保留关系划分与表示学习联合优化的思路，但必须重新定义节点、边及正负关系。低信噪比、通道差异、跨被试变化和小数据可能使关系图主要反映伪迹或被试身份。一个小规模可证伪实验是在固定 Cross-subject 划分下，对比无划分约束、真实关系约束和随机关系约束，核查表示坍缩与任务表现是否同步改善；关系图构建须限于训练数据。已有 EEG 相关工作尚未检索确认。