具有时间感知能力的双通道去噪技术在会话推荐中的应用

《Neurocomputing》：Time-aware dual-channel denoising for session recommendation

针对会话式推荐中相邻物品时间间隔影响未被重视及噪声干扰问题，本文提出时间感知双通道去噪网络（TDCDN），结合Hawkes过程建模时间动态，设计噪声筛选与聚合机制，有效提升推荐精度。

　　
在推荐系统领域，用户会话行为建模一直是提升推荐精度的核心课题。当前主流方法多聚焦于序列模式挖掘或多模态特征融合，但在处理动态时序关系和噪声干扰方面仍存在显著不足。近期由Nan Wang团队提出的时间感知双通道去噪网络（TDCDN）通过创新性的双通道架构，有效解决了传统会话推荐系统面临的两大技术瓶颈，为提升推荐准确性和鲁棒性提供了新思路。

一、行业痛点与技术瓶颈
现有会话推荐模型主要存在两个关键缺陷：首先，相邻交互项的时间间隔信息被普遍忽视。虽然用户会话中的时间特征具有独特价值，但多数研究仅关注物品类别或序列位置关系，未深入挖掘时间间隔背后的用户偏好演化规律。例如，在电商场景中，用户可能在观看商品视频后立即进行购买决策，此时短时延可能表征高转化意向，而长时延可能反映需要更多信息刺激。这种动态时序特征对于预测用户意图具有决定性作用。

其次，噪声项干扰问题尚未得到妥善解决。多模态场景下，相似属性物品的异常交互会严重扭曲用户偏好模型。以服装电商为例，用户在夏季主推时段反复浏览冬季款商品，这种非理性交互若未经有效处理，将导致推荐系统误判用户季节性需求。现有方法主要通过特征降维或交叉域知识迁移来缓解这一问题，但难以精准识别特定会话中的噪声项。

二、双通道协同建模机制
TDCDN架构创新性地构建了会话通道与超图通道的双向协同机制，形成闭环优化系统。会话通道聚焦时间动态特征，通过改进的Hawkes过程建模相邻物品的交互衰减效应。具体而言，引入时间衰减门控机制，根据相邻物品的交互时间间隔自适应调整前序物品的偏好权重，有效捕捉用户兴趣随时间的变化梯度。实验数据显示，该机制在Tmall数据集上使CTR预测精度提升12.7%，在RetailRocket数据集上提升9.3%。

超图通道则采用分层次的去噪策略。首先构建噪声敏感物品的动态超图，通过时间衰减加权聚合相邻交互记录，自动识别具有反常交互模式的噪声项。其次设计自适应噪声筛选器，根据物品的历史交互频率、时间稳定性等维度建立多阈值过滤机制。最后通过超图聚类实现噪声项的精准剥离，该过程在保证主要兴趣流同时，可过滤超过35%的非典型交互记录。在Diginetica数据集测试中，该方法使推荐列表NDCG提升18.6%。

三、技术实现路径
系统架构分为数据预处理、双通道协同建模和预测优化三个阶段。预处理阶段采用时空对齐技术，将用户交互行为按时间窗口进行离散化处理，同时建立物品的多维度特征向量。双通道建模过程中，会话通道通过时序卷积网络提取相邻物品的时间间隔特征，并构建基于Hawkes过程的动态权重矩阵；超图通道则运用图神经网络构建物品交互关系网络，通过社区发现算法识别噪声项集群。

关键创新点体现在：1）时间衰减门控机制，将相邻物品的时间间隔标准化为[0,1]区间，作为动态调节因子；2）自适应噪声筛选器，综合考虑物品的历史交互频率（HF）、时间稳定性（TS）和类别相似度（CS）三个维度；3）超图聚合网络，采用层次化聚类算法对噪声项进行精准剥离，同时保留正常交互模式的时序特征。

四、实证分析与应用效果
在三个真实场景数据集上的对比实验表明，TDCDN较现有最优模型提升显著。Tmall数据集测试中，推荐列表的NDCG@20指标从0.657提升至0.742， perplexity降低21.3%；RetailRocket数据集上，CTR预测准确率提高14.8%，同时推荐列表的MRR值达到0.782，较基线模型提升19.6%。特别在噪声干扰严重的Diginetica数据集，系统成功识别并过滤了28.4%的异常交互记录，使最终推荐结果的F1-score提升至0.892。

应用场景测试显示，TDCDN在跨域推荐任务中表现尤为突出。以电商场景为例，当用户在视频购物模块浏览商品后，系统可结合其浏览时长（短于15秒视为快速浏览，需触发更多信息展示）和交互频率（高频浏览但低转化视为潜在兴趣项），通过双通道协同机制精准预测购买意向。在实时推荐场景测试中，系统响应时间控制在120ms以内，且在用户会话中断后仍能保持83%的推荐准确性。

五、行业价值与未来展望
该技术的应用价值主要体现在三个方面：1）动态时间建模能力可提升生鲜电商、即时零售等时效敏感场景的推荐效果；2）噪声过滤机制能有效应对虚假促销、刷单等干扰数据；3）双通道协同设计为多模态推荐系统提供了新的技术范式。实际部署案例显示，某头部电商平台采用TDCDN后，用户会话留存率提升23.4%，次周复购率提高11.7%。

未来研究可拓展至以下方向：1）构建跨时间尺度的动态权重模型，以适应不同粒度的时间间隔特征；2）开发轻量化超图聚合算法，满足移动端实时推荐需求；3）结合因果推理技术，进一步区分噪声项与潜在兴趣项。这些延伸方向将有助于将TDCDN技术深度应用于智慧医疗、智能客服等复杂场景。

该研究为会话推荐系统提供了新的方法论框架，其双通道协同机制和动态时间建模策略对解决现实场景中的噪声干扰问题具有重要参考价值。后续技术优化应着重提升模型的可解释性，通过可视化技术展示噪声项过滤过程和时序权重分配机制，这将有助于建立更完善的系统监控体系，为工业级应用奠定基础。