结合对比学习的细粒度长短期偏好序列推荐

杨兴耀; 武彦孚; 张祖莲; 于炯; 钟志强; 陈羽

doi:10.13568/j.cnki.651094.651316.2025.01.18.0001

您当前的位置：

首页 >

文章列表页 >

结合对比学习的细粒度长短期偏好序列推荐

智能建模与工程计算专题 | 更新时间：2026-03-24

- 结合对比学习的细粒度长短期偏好序列推荐
- Fine-Grained Long and Short-Term Preference Sequential Recommendation with Contrastive Learning
- 新疆大学学报（自然科学版中英文） 2026年43卷第2期页码：156-168
- 作者机构：
  
  1.新疆大学软件学院新疆智能计算与智慧应用重点实验室，新疆乌鲁木齐 830091
  2.新疆维吾尔自治区气象局新疆兴农网信息中心，新疆乌鲁木齐 830002
- 作者简介：
  
  杨兴耀（1984—），男，博士，副教授，主要从事推荐系统、大数据、信任计算的研究，E-mail：yangxy@xju.edu.cn．
- 基金信息：
  
  新疆维吾尔自治区自然科学基金面上项目“基于知识图谱与图神经网络的信息聚合及特征表示推荐技术研究”(2023D01C17);“气温预报误差的地形依赖性与南疆高山区夏季高温智能网格预报技术研究”(2023D01A123);国家自然科学基金“大数据流式计算环境下基于预测的资源调度性能优化研究”(62262064);新疆维吾尔自治区科技计划项目-天山创新团队计划“面向农业的天地协同水资源时空精准调度研究及应用创新团队”(2023D4012)
- DOI：10.13568/j.cnki.651094.651316.2025.01.18.0001
  中图分类号： TP301.6
- 收稿：2025-01-18，
  
  修回：2026-01-09，
  
  录用：2026-01-11，
  
  纸质出版：2026-03-25
- 稿件说明：
移动端阅览
杨兴耀，武彦孚，张祖莲，于炯，钟志强，陈羽．结合对比学习的细粒度长短期偏好序列推荐［J］．新疆大学学报（自然科学版中英文），2026，43（2）：156-168．

Yang Xingyao，Wu Yanfu，Zhang Zulian，Yu Jiong，Zhong Zhiqiang，Chen Yu．Fine-grained long and short-term preference sequential recommendation with contrastive learning［J］．Journal of Xinjiang University（Natural Science Edition in Chinese and English），2026，43（2）：156-168.
杨兴耀，武彦孚，张祖莲，于炯，钟志强，陈羽．结合对比学习的细粒度长短期偏好序列推荐［J］．新疆大学学报（自然科学版中英文），2026，43（2）：156-168． DOI： 10.13568/j.cnki.651094.651316.2025.01.18.0001.

Yang Xingyao，Wu Yanfu，Zhang Zulian，Yu Jiong，Zhong Zhiqiang，Chen Yu．Fine-grained long and short-term preference sequential recommendation with contrastive learning［J］．Journal of Xinjiang University（Natural Science Edition in Chinese and English），2026，43（2）：156-168. DOI： 10.13568/j.cnki.651094.651316.2025.01.18.0001.

摘要

序列推荐旨在

利用用户长短期偏好进行项目推荐，但大部分序列推荐系统面临学习力不足、长短期偏好融合不充分等问题．针对上述问题，本文提出一种基于对比学习的细粒度长期与短期偏好序列推荐方法．1）针对长短期偏好融合不充分的问题，提出长短期偏好学习层和长短期偏好融合层．首先，将用户行为序列分割为多段时间会话，并利用门控循环单元提取每段会话中用户的短期偏好，然后通过多头注意力机制融合短期偏好序列捕获用户长期偏好.最后，依据时间跨度自适应融合长期与短期偏好，从而获得更具代表性和全面性的偏好表示．2）针对数据稀疏导致学习力不足的问题，设计一种偏好表示对比学习任务，引入代理用户偏好进行对比学习，以实现更加精确的偏好推荐．结果表明：与次优方法相比，模型在3个公共数据集的

Hit

@20指标分别提高了9.84%、6.40%、1.52%，

MAP

@20指标分别提高了22.64%、2.42%、6.42%，证明本文所提方法的有效性．

Abstract

Sequence recommendation aims at item recommendation using users' long and short-term preferences

but most sequence recommendation systems face problems such as insufficient learning power and inadequate fusion of long and short-term preferences. Aiming at the above problems

this paper proposes a fine-grained long and short-term preference sequence recommendation method based on contrastive learning. 1) To address the problem of insufficient long and short-term preference fusion

this paper proposes a long and short-term preference learning layer and a long and short-term preference fusion layer. Firstly

it splits the user behaviour sequence into multi-period sessions and extracts the user's short-term preference in each session by using gated recurrent units

and then fuses the short-term preference sequences to capture the user's long-term preference through the multi-head attention mechanism. Finally

the long-term and short-term preferences are fused adaptively based on the time span to obtain a more representative and comprehensive preference representation. 2) Aiming at the problem of insufficient learning power due to data sparsity

a preference representation comparison learning task is designed to introduce agent user preferences for comparison learning to achieve more accurate preference recommendation. The experimental results show that: compared to the sub-optimal methods

the model improves the

Hit

@20 metric by 9.84%

6.40%

and 1.52%

and the

MAP

@20 metric by 22.64%

2.42%

and 6.42% on three public datasets

respectively

demonstrating the effectiveness of the proposed method.

关键词

Keywords

references

Gao S ， Fang J B ， Tu Q ， et al ． Generative news recommendation ［C］// Proceedings of the ACM Web Conference 2024 ， May 13-17，2024 ， Singapore，Singapore．New York ： ACM ， 2024 ： 3444 - 3453 ．

Saxborn M ， Pan Y C ， Said A ． Trust through recommendation in E-commerce ［C］// Proceedings of the 2024 Conference on Human Information Interaction and Retrieval ， March 10-14，2024 ， Sheffield，United Kingdom．New York ： ACM ， 2024 ： 87 - 96 ．

Quan Y H ， Ding J T ， Gao C ， et al ． Alleviating video-length effect for micro-video recommendation ［J］． ACM Transactions on Information Systems ， 2023 ， 42 （ 2 ）： 44 ．

Tang J X ， Wang K ． Personalized top- N sequential recommendation via convolutional sequence embedding ［C］// Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining ， February 5-9，2018 ， Marina Del Rey，CA，USA．New York ： ACM ， 2018 ： 565 - 573 ．

Yuan F J ， Karatzoglou A ， Arapakis I ， et al ． A simple convolutional generative network for next item recommendation ［C］// Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining ， February 11-15，2019 ， Melbourne，VIC，Australia．New York ： ACM ， 2019 ： 582 - 590 ．

Yan A ， Cheng S ， Kang W C ， et al ． CosRec：2D convolutional neural networks for sequential recommendation ［C］// Proceedings of the 28th ACM International Conference on Information and Knowledge Management ， November 3-7，2019 ， Beijing，China．New York ： ACM ， 2019 ： 2173 - 2176 ．

Zheng L ， Fan Z W ， Lu C T ， et al ． Gated spectral units：Modeling co-evolving patterns for sequential recommendation ［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval ， July 21-25，2019 ， Paris，France．New York ： ACM ， 2019 ： 1077 - 1080 ．

Sun F ， Liu J ， Wu J ， et al ． BERT4Rec： Sequential recommendation with bidirectional encoder representations from Tranformer ［C］// Proceedings of the 28th ACM International Conference on Information and Knowledge Management ， November 3-7，2019 ， Beijing，China．New York ： ACM ， 2019 ： 1441 - 1450 ．

Li J C ， Wang Y J ， McAuley J ， et al ． Time interval aware self-attention for sequential recommendation ［C］// Proceedings of the 13th International Conference on Web Search and Data Mining ， February 3-7，2020 ， Houston，TX，USA．New York ： ACM ， 2020 ： 322 - 330 ．

Feng Y F ， Lyu F Y ， Shen W C ， et al ． Deep session interest network for click-through rate prediction ［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence ， August 10-16，2019 ， Macao，China．Palo Alto ： AAAI Press ， 2019 ： 2301 - 2307 ．

Xie R B ， Wang Y L ， Wang R ， et al ． Long short-term temporal meta-learning in online recommendation ［C］// Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining ， February 21-25，2022 ， Virtual Event，AZ，USA．New York ： ACM ， 2022 ： 1168 - 1176 ．

An M X ， Wu F Z ， Wu C H ， et al ． Neural news recommendation with long- and short-term user representations ［C］// Procee dings of the 57th Annual Meeting of the Association for Computational Linguistics ， July 28-August 2，2019 ， Florence，Italy．Cambridge ： ACL ， 2019 ： 336 - 345 ．

Zheng Y ， Gao C ， Chang J X ， et al ． Disentangling long and short-term interests for recommendation ［C］// Proceedings of the ACM Web Conference 2022 ， April 25-29，2022 ， Virtual Event，Lyon，France．New York ： ACM ， 2022 ： 2256 - 2267 ．

Arthur J K ， Zhou C H ， Osei-Kwakye J ， et al ． A heterogeneous couplings and persuasive user/item information model for Next Basket recommendation ［J］． Engineering Applications of Artificial Intelligence ， 2022 ， 114 ： 105132 ．

Li J ， Ren P J ， Chen Z M ， et al ． Neural attentive session-based recommendation ［C］// Proceedings of the 2017 ACM on Confe rence on Information and Knowledge Management， November 6-10，2017 ，Singapore，Singapore．New York ： ACM ， 2017 ： 1419 - 1428 ．

Arthur J K ， Zhou C H ， Mantey E A ， et al ． A discriminative-based geometric deep learning model for cross domain recommender systems ［J］． Applied Sciences ， 2022 ， 12 ： 5202 ．

Zhao W ， Wang B Y ， Ye J B ， et al ． PLASTIC：Prioritize long and short-term information in top- n recommendation using adversarial training ［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence ， July 13-19，2018 ， Stockholm，Sweden．Palo Alto ： AAAI Press ， 2018 ： 3676 - 3682 ．

Yu Z P ， Lian J X ， Mahmoody A ， et al ． Adaptive user modeling with long and short-term preferences for personalized recommendation ［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence ， August 10-16，2019 ， Macao，China．Palo Alto ： AAAI Press ， 2019 ： 4213 - 4219 ．

Niu L S ， Peng Y ， Liu Y M ． Deep recommendation model combining long- and short-term interest preferences ［J］． IEEE Access ， 2021 ， 9 ： 166455 - 166464 ．

He K ， Liu Q Y ， Li Q M ， et al ． Long- and short-term sequential recommendation with temporal interval ［C］// 2022 IEEE Smartworld ， Ubiquitous Intelligence & Computing，Scalable Computing & Communications，Digital Twin，Privacy Computing，Metaverse，Autonomous & Trusted Vehicles， December 15-18，2022 ，Haikou，Hainan，China．New York ： IEEE ， 2022 ： 1409 - 1414 ．

Yan C R ， Wang Y W ， Zhang Y T ， et al ． Modeling long- and short-term user behaviors for sequential recommendation with deep neural networks ［C］// 2021 International Joint Conference on Neural Networks（IJCNN）， July 18-22，2021 ， Shenzhen，Guangdong，China．New York ： IEEE ， 2021 ： 1 - 8 ．

Xie X ， Sun F ， Liu Z Y ， et al ． Contrastive learning for sequential recommendation ［C］// 2022 IEEE 38th International Conference on Data Engineering（ICDE）， May 9-12，2022 ， Kuala Lumpur，Malaysia．New York ： IEEE ， 2022 ： 1259 - 1273 ．

Yin P ， Zhao J ， Ma Z J ， et al ． Sequential recommendation based on multipair contrastive learning with informative augmenta-tion ［J］． Neural Computing and Applications ， 2024 ， 36 ： 9707 - 9721 ．

Ma J X ， Zhou C ， Yang H X ， et al ． Disentangled self-supervision in sequential recommenders ［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， August 23-27，2020 ， Virtual Event，CA，USA．New York ： ACM ， 2020 ： 483 - 491 ．

Zhou K ， Wang H ， Zhao W X ， et al ． S3-Rec： Self-supervised learning for sequential recommendation with mutual information maximization ［C］// Proceedings of the 29th ACM International Conference on Information & Knowledge Management ， October 19-23，2020 ， Virtual Event，Ireland．New York ： ACM ， 2020 ： 1893 - 1902 ．

Hao Y J ， Zhang T T ， Zhao P P ， et al ． Feature-level deeper self-attention network with contrastive learning for sequential recommendation ［J］． IEEE Transactions on Knowledge and Data Engineering ， 2023 ， 35 （ 10 ）： 10112 - 10124 ．

Bertin-Mahieux T ， Ellis D P W ， Whitman B ， et al ． The million song dataset ［C/OL］// ISMIR ， 2011 ． https：//www.researchgate.net/publication/220723656_The_Million_Song_Dataset https://www.researchgate.net/publication/220723656_The_Million_Song_Dataset ．

Ruocco M ， Skrede O S L ， Langseth H ． Inter-session modeling for session-based recommendation ［C］// Proceedings of the 2nd Workshop on Deep Learning for Recommender Systems ， August 27，2017 ， Como，Italy．New York ： ACM ， 2017 ： 24 - 31 ．

Kang W C ， McAuley J ． Self-attentive sequential recommendation ［C］// 2018 IEEE International Conference on Data Mi- ning（ICDM）， November 17-20，2018 ，Singapore，Singapore．New York ： IEEE ， 2018 ： 197 - 206 ．

Li J C ， Wang Y J ， McAuley J ． Time interval aware self-attention for sequential recommendation ［C］// Proceedings of the 13th International Conference on Web Search and Data Mining ， February 3-7，2020 ， Houston，TX，USA．New York ： ACM ， 2020 ： 322 - 330 ．

Zhang D H ， Qin J W ， Ma J ， et al ． Item attributes fusion based on contrastive learning for sequential recommendation ［J］． Multimedia Systems ， 2024 ， 30 ： 291 ．

Ruan S Q ， Yang C ， Li D S ． Knowledge-enhanced personalized hierarchical attention network for sequential recommenda-tion ［J］． World Wide Web ， 2024 ， 27 ： 2 ．

Li Y ， Yang C C ， Ni T G ， et al ． Long and short-term interest contrastive learning under filter-enhanced sequential recommendation ［J］． IEEE Access ， 2023 ， 11 ： 95928 - 95938 ．

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种用于心衰患者死亡率预测的数据多重插补方法

非独立同分布与长尾分布下的联邦学习优化方法