🤖 AI

CoRCi: Cross-Reconstruction of Coherent Interests Modeling in Cross-Domain Sequential Recommendation

CoRCi 是一个新颖的跨域序列推荐框架，它通过采用一种用于生成混合域表示的跨重构机制以及一种用于强化领域不变对齐的 FocalNCE 损失函数，解决了数据稀疏性和兴趣连贯性问题，从而超越了现有的最先进方法。

原作者： Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

发布于 2026-08-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图猜测你的朋友下次想吃什么。如果你只知道他热爱披萨，你可能会建议更多的披萨。但如果同时你也知道他刚买了一台高级咖啡机和一些精品咖啡豆呢？突然间，你会意识到他不仅仅是一个“披萨爱好者”，而是一个拥有特定且不断演进的高品质食材品味的“美食家”，无论是意大利风味还是意大利风格的咖啡。这就是**推荐系统（Recommender Systems）**的核心：这些数字上的“媒人”，试图根据你过去的行为来预测你下次会喜欢什么。

通常，这些系统是在孤岛中运作的。一个电影应用只了解你的电影历史，而一个杂货应用只了解你的食物历史。但人是复杂的；我们会跨越类别跳转。我们买了煎锅，接着买了咖啡豆，然后又买了个零食。我们的兴趣流转于这些边界之间。科学家们面临的挑战是跨域序列推荐（Cross-Domain Sequential Recommendation）。这是一种连接你的“厨房”生活与“食物”生活的艺术，旨在理解你真实的、不断演进的品味。核心问题在于：我们如何教会计算机，让它明白一个煎锅和一袋咖啡豆其实是同一个故事的一部分，而不至于因此感到困惑？

这就是一篇名为 CoRCi（意为“连贯兴趣的跨域重构”，Cross-Reconstruction of Coherent Interests）的新论文所发挥作用的地方。研究人员（来自新加坡和中国大学的一个团队）注意到，以往试图连接这些不同“世界”的方法有些笨拙。它们就像试图通过仅仅把边缘粘在一起的方式来缝合两块不同的织物；织物内部的图案会被扭曲。

作者认为，旧的方法将你的“厨房”历史和“食物”历史视为两个只是恰好同时发生的独立故事。他们发现，当你强迫计算机使用旧方法从这些混合的故事中学习时，它会感到困惑。它会开始认为领域之间的差异（比如“这是一个锅”对比“这是咖啡”）比相似之处（比如“我正在烹饪一顿健康的餐食”）更重要。这会导致计算机失去你兴趣的“连贯性”——即你在不同主题之间那种平滑、逻辑一致的个性流转。

为了解决这个问题，CoRCi 引入了一个巧妙的两步舞步。首先，它不是从头开始构建一个新大脑来理解这个混乱的故事，而是利用它已经为特定故事（仅限厨房的大脑和仅限食物的大脑）构建的“大脑”，并使用一个被称为**跨域重构（Cross-Reconstruction）**的特殊桥梁。想象一下，你有两个能完美翻译不同语言的翻译员。与其强迫他们从头学习第三种混合语言，不如让他们通过交流来建立一种对他们共同讲述的“故事”的统一理解。CoRCi 使用这种“跨注意力机制（cross-attention）”将具体的细节融合进一个统一且连贯的兴趣图景中。

其次，论文引入了一种新的评分规则，叫做 FocalNCE。把它想象成一位严厉的老师，这位老师知道学生经常会在看起来非常相似的事物上犯错。在推荐系统的世界里，来自同一类别的物品（比如两种不同类型的咖啡）是非常相似的，所以计算机可能会因为它们看起来像，就优先考虑其中之一。FocalNCE 会在计算机混淆同类项目时给予更严厉的惩罚，从而迫使它更加关注那些真正重要的、跨领域的独特联系。这就像是在告诉计算机：“不要仅仅因为那杯咖啡看起来像另一杯咖啡就选它；要因为它符合你整个烹饪冒险的故事而选它。”

研究人员在四个真实世界的数据集上测试了这个想法，其中包括来自亚马逊（Amazon）的海量评论集合（涵盖食物、厨具、美容产品和电子产品等）以及豆瓣（Douban）的数据集（电影、书籍和音乐）。他们发现 CoRCi 始终优于现有的最佳方法。事实上，在 Amazon Food-Kitchen 数据集上，它将预测下一个物品的能力比之前的冠军提高了约 5% 到 11%。在 Beauty-Electronics 数据集上，增益更为显著，达到了 11%。

论文还进行了“假设检验”实验，以证明其方法为何有效。他们尝试移除那个特殊的桥梁（跨域重构）或那位严厉的老师（FocalNCE），结果发现性能都下降了。他们甚至在一个包含三个领域（电影、书籍和音乐）且用户不一定与所有三个领域都有交互的数据集上进行了测试，CoRCi 依然胜出。

简而言之，这篇论文表明，要真正理解用户下一步想要什么，我们不应该只是把他们不同的历史记录简单地堆砌在一起并寄希望于好运；相反，我们应该仔细地重构他们的兴趣，以保持故事的连贯性，并使用更聪明的评分规则，确保计算机能够专注于不同生活部分之间独特的联系。这是朝着让我们的数字助手不再仅仅是僵化的数据库，而是成为真正“懂”我们的朋友迈出的微小但意义重大的步伐。

技术摘要：CoRCi

问题陈述
跨域序列推荐（Cross-Domain Sequential Recommendation, CDSR）旨在通过在相关领域间迁移动态用户兴趣来缓解数据稀疏问题。其核心前提是，某些用户兴趣是领域无关的（domain-invariant），并且在多个领域之间具有连贯的演变过程。然而，现有的 CDSR 方法面临两个主要挑战：

兴趣连贯性丢失： 当前的方法通常将特定领域的序列合并为混合领域序列，但采用通过单领域损失聚合进行训练的独立编码器（双目标策略/Dual-Target strategy）。这种工作流会割裂用户兴趣，无法保留领域无关模式固有的连贯性，特别是当 Seq2Seq 模型中的查询-目标对（query-target pairs）源自不同领域时。
领域差异： 大多数模型使用独立的编码器从头开始学习混合领域表示。这引入了显著的领域间隙，因为查询（query）和地面真值目标（ground-truth targets）往往属于不同领域，从而降低了性能。此外，混合领域设置中的标准对比损失可能会引入领域内偏差（intra-domain bias），即与查询属于同一领域的负样本过于相似，从而扭曲了表示空间。

方法论：CoRCi
作者提出了 CoRCi（用于连贯兴趣的跨重构，Cross-Reconstruction for Coherent Interests），这是一个旨在弥合这些领域差异并保持兴趣连贯性的双目标 CDSR 框架。该架构由三个主要部分组成：

特定领域自注意力编码器 (SAE)： CoRCi 并非使用单一编码器从头在混合数据上进行训练，而是首先使用专门的自注意力编码器独立地对特定领域序列（ $T_A$ 和 $T_B$ ）进行编码。这保留了初始的领域特定模式。
跨重构 (CR) 模块： 为了重新连接分散的领域无关兴趣，CoRCi 采用了跨重构方法。它直接利用预编码的特定领域表示（ $H_A, H_B$ $H_{A}, H_{B}$ ），通过交叉注意力机制生成混合领域表示（ $H_M$ $H_{M}$ ）。
- 查询（ $Q$ ）是混合领域嵌入（ $E_M$ ），引入了混合领域的相对位置信息。
- 键（ $K$ ）和值（ $V$ ）是预编码特定领域表示之和（ $H_A + H_B$ ）。
- 这使得模型能够在不从头学习的情况下，重构出连贯的混合领域视图。
交叉注意力传递器 (CAT)： 重构后的混合领域知识通过交叉注意力传递器被转移回特定领域表示。在传输过程中，对混合领域表示（ $\hat{H}_M$ ）应用了**停止梯度（stop-gradient）**操作。这确保了混合领域建模作为一个任务无关的主干（task-agnostic backbone），防止特定领域的监督破坏领域无关兴趣的连贯性。
FocalNCE 损失： 为了减轻混合领域目标中的领域内偏差，作者引入了 FocalNCE。它将 Focal Loss 集成到标准的 InfoNCE 目标函数中。
- 在混合领域设置中，负样本是从两个特定领域中抽取的。
- FocalNCE 会对来自与查询（正样本项目）相同领域的负样本施加更高的惩罚。
- 这迫使模型专注于更难的跨领域负样本，从而加强领域无关的对齐并抑制领域特定噪声。

最终的目标函数是特定领域损失（ $L_A, L_B$ ）与混合领域损失（ $L_M$ ）的线性组合，并由超参数 $\beta$ 进行加权。

核心贡献

跨重构方法： 一种新颖的方法，通过交叉注意力从预编码的特定领域序列生成混合领域表示，有效地重新连接了原本分散的连贯领域无关兴趣。
FocalNCE： 一种新的损失函数，通过在混合领域 InfoNCE 目标中嵌入 Focal Loss，以减轻领域内偏差并防止连贯兴趣的破碎。
全面评估： 在四个真实世界数据集（Amazon Food-Kitchen, Beauty-Electronics, Movie-Book, 以及一个三领域的豆瓣数据集）上进行了广泛实验，证明了其相对于现有最先进 CDSR 方法的一致优越性能。

实验结果

性能： CoRCi 在所有数据集的所有指标（HR@5, HR@10, NDCG@10, MRR）上均一致优于所有基线模型（包括 ST-SR, DT-SR, MT-SR 以及 DT-CDSR 模型如 ABXI, DREAM, 和 C2DSR）。
统计显著性： 在所有数据集的两个领域中，改进均具有统计学意义（ $p < 0.01$ ）。
消融实验：
- 将 SAE-CR 混合架构替换为单一共享编码器或完全解耦的编码器会导致性能下降，验证了所提架构的有效性。
- 移除交叉注意力传递器 (CAT) 或停止梯度操作会显著降低性能，证实了它们在序列级融合和维持连贯性方面的必要性。
- 使用标准 InfoNCE 而非 FocalNCE 会导致性能下降，尤其是在困难领域，凸显了抑制领域内偏差的重要性。
泛化能力： CoRCi 在三领域、非重叠用户设置（豆瓣电影-书籍-音乐）下保持了卓越的性能，展示了其在复杂现实场景下的鲁棒性。

意义与主张
论文声称 CoRCi 解决了现有 CDSR 方法中的根本缺陷，即单领域损失聚合和独立编码器破坏了用户兴趣在不同领域间的自然连贯性。通过从特定领域编码重构混合领域表示，并利用带有焦点惩罚的领域无关损失，CoRCi 有效地捕捉并保留了领域无关的兴趣。作者断言，这种方法能够实现更准确的用户画像和推荐性能，特别是在用户兴趣在不同产品类别间呈连贯演变的场景下。该研究表明，保持兴趣的“连贯性”比单纯的数据聚合更为关键，为建模跨领域动态用户偏好提供了新的方向。

技术摘要：CoRCi

类似论文