基于多粒度兴趣分级对比学习的会话推荐模型OACHSSCD

[目的]会话推荐专注于满足用户即时性偏好,对提升个性化信息服务具有重要意义。然而,现有研究在多粒度兴趣的挖掘与利用上仍显薄弱,致使用户在会话情境下的复杂偏好难以充分刻画。为进一步提升会话推荐性能,提出一种基于多粒度兴趣分级对比学习的会话推荐模型。[方法]首先,基于用户的当前会话、历史会话以及社交关系分别对当前会话兴趣、个性化兴趣以及社会化兴趣进行学习,在会话、个体和社交三重粒度下生成用户兴趣表示。其次,通过设计一种分级对比学习机制,从个体和社交两个层级建模兴趣表示之间的信息交互,保证多粒度兴趣的一致性。最后,对多粒度兴趣进行融合,并基于融合兴趣与候选项目之间的匹配度进行下一项交互预测,以实现会话推荐任务。[结果/结论]实验采用三个公开的基准数据集对所提模型的科学性和有效性进行验证。实验结果表明:相较于主流会话推荐方法,所提模型在多项评价指标上均体现出较优性能。实践上,所提模型不仅可以丰富用户信息行为理论的应用场景,还能为信息资源的优化配置提供理论支持。