CTF4Rec：一种用于序列推荐的跨视图增强型时频混合网络

《Knowledge-Based Systems》：CTF4Rec: A Cross-View Enhanced Time-Frequency Hybrid Network for Sequential Recommendation

提出CTF4Rec模型，通过图结构捕捉用户兴趣转移，频率域处理提取周期性模式，时间域建模行为演化，结合多任务学习框架提升推荐性能，实验验证其优于基线模型且鲁棒性强。

　　在当今信息爆炸的时代，用户面对海量的内容选择时，推荐系统的重要性日益凸显。推荐系统的目标是根据用户的过往行为，预测其潜在的兴趣点，并据此提供个性化的推荐。随着用户行为数据的不断积累，传统的推荐方法逐渐暴露出其局限性，例如对用户兴趣变化的捕捉不足、对短期行为模式的忽略等。为了解决这些问题，研究者们提出了多种改进方法，其中，基于序列的推荐（Sequential Recommendation, SR）因其能够建模用户的历史行为顺序，从而更准确地反映用户的兴趣演变，成为近年来的研究热点。

然而，尽管SR在捕捉用户兴趣动态方面取得了一定进展，但如何在复杂的行为序列中全面捕捉用户兴趣的演变特征、周期性行为模式以及应对数据中的噪声问题，仍然是一个重大挑战。传统的SR模型通常依赖于用户的历史行为序列，利用马尔可夫链假设或深度学习方法（如RNN、CNN、GNN和Transformer）来建模用户兴趣的转移过程。这些方法在一定程度上能够捕捉到时间上的依赖关系，但往往忽略了用户行为中潜在的周期性特征，而这些特征在实际场景中具有重要意义。例如，用户可能在特定时间段内表现出规律性的兴趣变化，这种周期性模式能够为推荐系统提供更丰富的行为信息，从而提升推荐的准确性和个性化水平。

近年来，研究人员开始探索将时间与频率域的信息相结合，以更全面地建模用户行为。例如，基于自监督学习的SSL方法被广泛应用于SR领域，通过构建正负样本对，提高模型对用户行为模式的建模能力。然而，现有的SSL方法在处理周期性行为时仍存在不足，尤其是在高频率信息的提取和噪声抑制方面。此外，传统的基于时间序列的方法在面对数据稀疏性、序列长度较短等问题时，也难以有效提取出用户行为中的周期性特征。

基于上述问题，本文提出了一种新的跨视图增强时间-频率混合的序列推荐网络（CTF4Rec），旨在通过融合图结构、频率域和时间域的信息，实现对用户行为的全面建模。CTF4Rec的核心思想是通过多维度的视角，分别捕捉用户兴趣的变化趋势、物品之间的交互关系以及用户行为的时间演化特征，从而在推荐过程中提供更丰富的上下文信息。这种方法不仅能够提升模型对用户行为模式的建模能力，还能增强模型在冷启动、物品稀疏性和噪声干扰等复杂场景下的鲁棒性。

具体而言，CTF4Rec通过构建用户兴趣转移图和物品共交互图，利用图结构建模用户兴趣的演变过程。用户兴趣转移图用于捕捉用户在不同物品之间的兴趣变化，而物品共交互图则用于识别物品之间的潜在关联。通过这两个图的构建，CTF4Rec能够更准确地理解用户兴趣的动态变化，以及物品之间的交互关系，从而在推荐过程中提供更具针对性的建议。

在频率域方面，CTF4Rec引入了一种创新的频率坡结构（frequency ramp），结合自相关注意力机制（auto-correlation attention mechanism），以揭示用户行为中的周期性模式。频率坡结构能够将用户行为序列映射到频率域，从而提取出其中的周期性特征。自相关注意力机制则用于增强模型对高频率信息的捕捉能力，同时减少噪声对模型的影响。这种方法不仅能够有效识别用户行为中的周期性模式，还能在一定程度上提高模型的鲁棒性。

在时间域方面，CTF4Rec利用高斯分布空间对用户行为的演化过程进行建模。高斯分布空间能够提供平滑的概率密度表示，从而减少数据稀疏性对模型的影响。通过计算基于2-Wasserstein距离的相似性，CTF4Rec能够更准确地衡量用户兴趣的变化，进而提升推荐的准确性。

此外，CTF4Rec还提出了一种多任务学习框架，包括跨视图对比学习（cross-view contrastive learning）和序列对比学习（sequential contrastive learning），以及标准的序列推荐任务。这种多任务学习框架能够通过不同任务之间的协同优化，提高模型的整体性能。跨视图对比学习用于增强不同视图之间信息的一致性，而序列对比学习则用于提升模型对序列模式的识别能力。通过这种框架，CTF4Rec能够在自监督模式下实现更高效的优化过程，从而在实际应用中表现出更强的推荐效果。

为了验证CTF4Rec的有效性，本文在四个公开的推荐数据集上进行了广泛的实验。这些数据集涵盖了多个不同的领域，包括美妆、音乐、电影和电商等。通过实验结果的对比分析，CTF4Rec在多个指标上均优于现有的基准模型，尤其是在冷启动、物品稀疏性和噪声干扰等复杂场景下表现更为突出。实验结果表明，CTF4Rec不仅能够更准确地捕捉用户行为的周期性特征，还能在面对数据噪声时保持较高的推荐精度。

本研究的创新点在于，CTF4Rec通过多维视角的融合，实现了对用户行为的全面建模。这种方法能够有效应对传统推荐模型在处理用户兴趣变化和周期性行为时的不足，从而在实际应用中提供更精准的推荐结果。此外，CTF4Rec在结构设计上也具有一定的灵活性，能够适应不同领域和不同规模的数据集，为后续研究提供了新的思路和方法。

未来的研究方向可能包括进一步优化CTF4Rec的结构设计，以提高其在大规模数据集上的处理效率。同时，可以探索将CTF4Rec与其他先进的推荐方法相结合，例如知识图谱、多模态数据融合等，以实现更全面的用户兴趣建模。此外，如何在实际应用中平衡模型的复杂性和计算效率，也是一个值得深入研究的问题。通过不断改进和优化，CTF4Rec有望在推荐系统领域发挥更大的作用，为用户提供更加精准和个性化的推荐服务。

总之，CTF4Rec通过融合图结构、频率域和时间域的信息，为序列推荐提供了一种新的解决方案。这种方法不仅能够更全面地捕捉用户行为的演变特征，还能有效应对数据中的噪声问题，从而提升推荐系统的性能。实验结果表明，CTF4Rec在多个基准数据集上均表现出色，为未来推荐系统的研究提供了重要的参考和启示。