面向序列推荐的深度化指数移动平均学习方法.pdfVIP

计算机科学与探索1673-9418/2025/19(03)-0774-13

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2403068

面向序列推荐的深度化指数移动平均学习方法

11+2

温雯，胡智鑫，郝志峰

1.广东工业大学计算机学院，广州510006

2.汕头大学，广东汕头515000

+通信作者E-mail:Y163.com

摘要：序列推荐是对用户历史交互序列进行建模，以预测用户所偏好的下一项目的推荐范式。由于用户交互历史

的多样性和复杂性，交互序列常包含嘈杂和不相关的噪声项，从而影响模型捕捉稳定的序列模式；同时，交互序列中

存在多样的序列信号，如趋势信号、语义信号和残差信号等，依赖单一模式进行建模无法得到精确的表达。针对上

述两个问题，提出了一种基于深度化指数移动平均的序列推荐模型（DeepEMA）。为了解决用户交互序列中的噪音

问题，DeepEMA使用时间序列领域的指数移动平均法对序列进行平滑处理，过滤噪音并初步提取序列趋势；为了捕

捉交互序列中复杂多样的序列信号，DeepEMA通过包括序列趋势模块、维度语义模块及残差提取模块在内的多模

块架构，分别建模序列的趋势信号、维度的语义信号以及残差信号。在四个公开的数据集上进行了验证，实验结果

表明，该模型的推荐准确性在命中率（HR）和归一化折损累计增益（NDCG）指标上均优于最先进的基线算法。在

HR@5指标上，比最先进的基线平均提高了5.67%；在NDCG@5指标上，比最先进的基线平均提高了4.88%。序列

的噪音问题得到了明显改善，消融实验也验证了各模块的有效性。

关键词：序列推荐；移动平均；噪音；序列信号

文献标志码：A中图分类号：TP391

DeepExponentialMovingAverageLearningMethodforSequentialRecommendation

11+2

WENWen,HUZhixin,HAOZhifeng

1.CollegeofComputer,GuangdongUniversityofTechnology,Guangzhou510006,China

2.ShantouUniversity,Shantou,Guangdong515000,China

Abstract:Sequentialrecommendationisarecommendationparadigmthatmodelstheuser’shistoricalinteraction

sequencetopredicttheuserspreferenceforthenextitem.Duetothediversityandcomplexityofuserinteractionhistory,

interactionsequencesoftencontainnoisyandirrelevantnoiseterms,whichaffectsthemodeltocapturestablesequence

patterns.Atthesametime,therearevarioussequencesignalsintheinteractivesequence,suchastrendsignal,semantic

signalandresidualsignal,whichcannotbeaccuratelyexpressedbyasingletypeofmodeling.Tosolvethesetwo

problems,thispaperproposesadeepexponentialmovingaveragebasedlearningmethodforsequentialrecommendation

(DeepEMA).