解耦长短期兴趣：提升推荐准确性和可解释性的新方法

"基于解耦长短期兴趣的用户兴趣建模方法旨在解决推荐系统中的一个关键问题，即如何准确地捕捉和区分用户的长期兴趣和短期兴趣，这对推荐的精度和可解释性至关重要。传统的推荐方法往往难以处理这两个维度的复杂交互，因为缺乏明确的标签信息。本文提出了一种创新的对比学习框架，名为CLSR（Contrastive Learning for Separating Long and Short-Term Interests in Recommendation）。 CLSR的核心思想是通过引入两个独立的编码器，分别捕获用户行为中的长期和短期兴趣。首先，通过对用户交互序列的分析，作者设计了一种策略来生成长期和短期兴趣的代理，这些代理可以作为用户的兴趣表示的无监督学习标签。接着，构建了一个对比任务，通过比较用户兴趣表示与兴趣代理的相似性，来指导模型的学习过程。这样，模型不仅关注预测用户是否会点击商品，还试图理解和区分用户的长期稳定性偏好和短期波动兴趣。 考虑到长期和短期兴趣的重要性并非固定不变，CLSR采用注意力机制来动态调整其权重，以便在预测时更有效地融合这两个维度。这种自适应的聚合策略使得模型能够灵活应对用户的兴趣动态变化。 实验证证了CLSR的有效性，它在电子商务和短视频推荐的大型真实数据集上取得了显著的性能提升。与最先进的模型相比，GAUC（Group Average Precision）得分提高了至少0.01，NDCG（Normalized Discounted Cumulative Gain）提升了超过4%，这表明CLSR在保持推荐准确性的同时，成功地增强了长期和短期兴趣的解耦能力。 此外，反事实评估进一步证实了这种方法的优越性，它能够更准确地模拟现实情况下的推荐效果，避免了传统方法中长期和短期兴趣的混淆。通过分离这两个兴趣维度，CLSR为个性化推荐系统提供了一个更精细且更具解释性的框架，有助于提高用户体验和推荐系统的整体性能。"