关注我们，一起学习~
title：Disentangling Long and Short-Term Interests for Recommendation link：https://arxiv.53yu.com/pdf/2202.13090.pdf code：https://github.com/tsinghua-fib-lab/CLSR from：WWW 2022
1. 导读
本文结合自监督方法提出CLSR模型来挖掘用户的长短期兴趣，并进行进一步的解耦。
1. 首先提出了两个独立的编码器来独立捕获不同时间尺度的用户兴趣。
2. 然后从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。
3. 然后设计成对对比任务来监督兴趣表征与其相应兴趣代理之间的相似性。
4. 最后由于长期和短期兴趣的重要性是动态变化的，通过基于注意力的网络自适应地聚合它们进行预测。
2. 定义
令商品数为N，用户数为M，以
表示用户的交互数据集合，
表示用户
的交互数据，即商品列表。
输入：交互序列
输出：是否会点击商品的概率
3. 方法
3.1 用户兴趣建模
由于用户的长短期兴趣随时间的动态变化很大，因此将这两个方面分别建模而不是使用统一的表征来表达它们。长期兴趣是相对稳定的，而短期兴趣是动态的、经常变化的。并且每次交互都由这两个方面以及目标商品决定。利用以下三个机制来建模，其中f1(),f2(),f3()分别对用户长期兴趣，短期兴趣和交互进行建模。其中U是用户，V为商品，Y表示交互。当前时间表示t，前一时刻表示为t-1。U中包含了用户ID和交互序列，三者的关系如图所示。
image.png
- 长期兴趣：长期兴趣相对稳定，因此这里是从整个序列中提取。
- 短期兴趣：随着用户不断与推荐商品进行交互，短期兴趣会不断变化。例如，用户可能会在点击某个商品后建立新的兴趣。同时，用户也可能逐渐失去某些兴趣。也就是说，短期利益是时间相关的变量，因此利用前一时刻的兴趣来建模当前时刻的兴趣。
- 交互预测：利用长短期兴趣和交互数据进行预测。
3.2 自监督实现
在本节中设计了两个独立的编码器来实现
