DisCo：面向推荐的表格表征空间与语义空间的协调解耦与协作

基于摘要分析。本文研究推荐系统中表格表征空间与语义表征空间的融合：传统方法主要建模表格空间内的协同信号，而语义增强方法若过度强调空间对齐，可能丢弃各空间的独有模式。作者提出 DisCo，以解耦与协作共同保留两类表征的特异性和一致性，生成可附加到推荐骨干模型的特征。 机制上，DisCo 包含三个部分：双侧注意力网络捕捉空间内部及空间之间的模式；充分性约束用于保留各空间中与任务相关的信息并过滤噪声；解耦约束用于避免独有信息被丢弃。摘要未给出约束的数学形式、语义表征来源或具体训练流程，因此不能将其等同于某种特定损失或训练范式。 作者报告，推荐实验显示 DisCo 相对不同模型具有优势，并能兼容不同骨干；作者也报告进行了消融与效率分析。摘要未提供数据集、划分协议、评价指标、基线配置或数值，具体性能幅度、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是融合互补表征时同时保护任务相关信息与空间独有信息，而非推荐结果本身。若 EEG 任务同时具备信号表征及配对的任务语义描述，可假设这一机制有助于缓解强制对齐造成的信息损失；但需改造输入编码与任务目标，并核对原方法对配对数据、监督和样本规模的依赖。低信噪比、通道差异、跨被试分布变化及小数据可能使所谓独有信息包含噪声或被试身份。一个可证伪的小实验是在固定 EEG 编码器与相同 Cross-subject 划分下，对比直接拼接、仅对齐与加入上述约束的融合方案，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。