AlphaFuse：在语言嵌入的零空间中学习用于序列推荐的 ID 嵌入

AlphaFuse 面向序列推荐，提出在语言嵌入的零空间中学习物品 ID 嵌入，以融合语言语义与用户行为信号，同时减少语义空间退化及对辅助可训练模块的依赖。以下基于摘要分析，未取得论文全文。 原问题是：将高维语言嵌入映射到低维 ID 嵌入可能损害语义信息，现有方法也可能未充分利用语言嵌入，并依赖 adapter 等模块连接语义空间与行为空间。AlphaFuse 使用 Singular Value Decomposition（SVD）分解语言嵌入的语义空间，将其区分为语义丰富的行空间与语义稀疏的零空间；协同信号被注入零空间，行空间中的语义则予以保留，并纳入最终物品嵌入。作者称该策略无需辅助可训练模块，可适配不同序列推荐框架；这不等于整个推荐模型无需训练。 作者报告，在三个基准数据集上开展了实验，覆盖冷启动用户和长尾设置，并在判别式及基于扩散的生成式序列推荐器中取得显著改善。摘要未提供数据集名称、划分、对照方法、指标或具体数值，因此无法核对改善幅度及统计意义。SVD 的矩阵构造、秩与零空间选择、训练目标、消融及统计信息尚未验证。作者提供了代码与数据链接，但其可访问性和复现完整性尚未验证。 平台推测（待验证）：其可迁移机制是将固定语义表征与任务相关更新分配到不同子空间，而非推荐结果本身。假设 EEG 任务具备可对齐的任务文本或类别语义嵌入，可尝试复用 SVD 分解和子空间约束，另行设计 EEG 编码器及信号—语义对齐模块；推荐中的物品 ID 与协同监督不能直接照搬。主要风险是语言零空间未必对应有效神经信息，低信噪比、跨被试及通道差异可能使受限更新难以适应，小数据下子空间估计也可能不稳定。一个可证伪的小实验是在固定跨被试划分、相同 EEG 编码器和监督数据下，对比无约束更新与零空间约束更新，检查分类性能及语义保持是否同时受益。相关 EEG 工作尚未检索确认。