改进基于会话的推荐中的表示学习

基于摘要分析。本文研究匿名会话中的下一物品预测，提出 FOCOL，通过细粒度物品共现建模与对比学习利用会话间依赖，改善物品及会话表示；研究对象是推荐系统，而非 EEG 或 BCI。 核心机制包括两个组件：FOGCN（Fine-grained co-Occurrence Graph Convolution Network）从编码物品共现相对顺序和距离的全局图中，自动学习不同共现模式的重要性；CSRL（Contrastive Session Representation Learning）将推荐视为聚类问题，使具有相同下一物品的会话表示相互接近，并分离属于不同簇的会话。后者依赖下一物品这一监督语义，不能直接等同于无标签自监督学习。其针对的问题是既有方法忽略共现顺序、未区分距离的重要性，以及从会话间依赖中提取错误偏好信号。 作者报告，在三个公开数据集的实验中，FOCOL 优于所比较的先进方法，两个组件有助于学习更具信息量的表示。摘要未给出数据集名称、划分、指标、具体分数及基线配置，实验协议、消融及统计信息尚未验证，因而无法判断提升幅度与适用范围。 平台推测（待验证）：若 EEG 任务能够形成具有稳定顺序、距离及任务语义的离散事件序列，细粒度共现图可能用于建模跨试次的事件关系，对比目标则可能用于约束同类试次表示。这一假设依赖事件离散化质量与训练标签，需要改造物品节点、距离定义及正负样本构造；推荐系统的会话不等于 EEG 的采集会话。低信噪比、跨被试差异、通道变化及小数据可能使图结构失真或同类聚合过强。可在固定跨被试划分下，仅用训练被试构图，对照有无顺序／距离编码及同类对比约束，检验其是否改善分类且不损害未见被试表现。已有 EEG 相关工作尚未检索确认，原推荐结果不构成 BCI 有效性的证据。