摘要
序列推荐系统旨在根据用户的历史行为序列来预测并推荐用户未来可能感兴趣的项目。研究序列推荐不仅是推荐系统领域的前沿课题，更是解决信息过载和提升用户体验的关键一环。深入挖掘用户行为序列中的规律和特征，可以为用户提供更智能和个性化的推荐服务。 近年来，基于Transformer和对比学习的模型在序列推荐领域获得了广泛的关注。基于Transformer的模型依靠自注意力机制来捕获序列中各元素间的相关性，尤其在处理长序列数据时表现出色。然而，现有的基于Transformer的序列推荐模型很少关注到自注意力权重分配质量的问题，这些模型往往没有充分考虑到序列数据中的时空特征，从而限制了它们在序列推荐上的性能。与此同时，现有的基于对比学习的序列推荐模型没能充分捕捉用户序列数据上下文信息。能否通过构建更加复杂的高阶视图，进而通过对比学习层次化的提取数据特征，促使模型学习到更具区分性的特征表示，也是一个值得研究的问题。针对上述问题，本文提出了两个提升序列推荐效果的方法，主要研究工作如下: （1）为了提高Transformer中自注意力权重分配的准确性，本文在第三章提出了一个基于上下文空间信息校准自注意力的序列推荐模型。通过在自注意力权重矩阵中直接融入序列数据的时空特征（如用户序列中项目之间的顺序和距离），消除对额外位置嵌入的需求，提高自注意力权重的准确性。使模型能够更准确地理解用户行为序列中的时序信息。为了验证该模型的性能，在三个公开的序列推荐相关数据集上进行了实验，结果表明，该模型在预测用户行为方面取得了更好的性能表现。 （2）针对现有的基于对比学习的序列推荐模型没能充分提取用户序列数据不变性的问题，同时为了获取更有效的用户序列数据表示，本文在第四章提出了一个基于多层级上下文对比学习的序列推荐模型。该模型通过巧妙地组合现有的数据增强方法，以构建出多级视图。然后通过引入层次结构来计算用于序列推荐的多个自监督对比信号，来学习多级视图中用户序列的不变性。最后，在三个公开的数据集上进行验证，结果表明，该模型对于提高序列推荐的准确性方面有很好的效果。
NETL