基于双域增强和频域对比学习的序列推荐方法及系统

本发明属于计算机，特别涉及一种序列推荐方法及系统，可用于电子商务及社交平台。

背景技术：

1、序列推荐旨在通过建模用户的历史行为序列来预测其下一个可能交互的项目，这是现代推荐系统的核心任务之一，并广泛应用于电子商务和社交平台等领域。例如根据用户的历史购物记录为其推荐下一款可能购买的商品，或依据其点赞与分享行为为其推送可能感兴趣的帖子与视频。早期的序列推荐方法基于马尔可夫链假设，利用转移概率来描述用户行为的局部序列性特征。随着深度学习的兴起，研究人员将各种基于深度学习的方法引入序列推荐领域，如循环神经网络、卷积神经网络和transformer等，也取得了一定的成果。

2、在序列推荐方法中，通常以归一化折损累计增益ndcg和命中率hit ratio为评估指标。归一化折损累计增益衡量推荐列表的排序质量，通过为排名靠前的相关项赋予更高的增益权重并进行归一化，使得不同查询间的结果具有可比性；命中率则衡量推荐的准确性，计算测试项是否出现在推荐列表中，反映模型捕获用户兴趣的基本能力。

3、序列推荐领域中，transformer架构通过自注意力机制学习特征项的重要性，凭借其强大的长距离依赖建模能力，该架构已成为序列推荐领域的主流选择。然而，序列推荐仍面临严重的数据稀疏性问题：用户与商品的交互记录往往极为有限，导致模型难以全面捕捉用户兴趣的动态演变规律，从而造成表征学习不足和性能瓶颈。为解决这一问题，对比学习被引入序列推荐中。例如， xie等人在其发表的论文“contrastive learning forsequential recommendation”（proceedings of the ieee international conferenceon data engineering, 2022, pp. 1259–1273.）中，提出了一种多任务框架cl4srec。该方法首次将对比学习引入序列推荐领域，通过裁剪、掩码处理和重排序等随机增强操作生成正样本视图并将传统的顺序预测目标与对比学习目标结合起来。利用对比学习损失，通过最大化潜在空间中同一用户交互序列的不同视图之间的一致性来对用户表示进行编码。通过这种方式，cl4srec 可以推断准确的用户表征，然后轻松地为每个用户单独选择有吸引力的项目。然而，该随机增强操作本质上仅限于离散的项目级操作，且极易破坏序列中的精细时间依赖关系，导致生成的增强序列与原始序列在语义上产生偏差。

4、申请号为cn202510118935.8的专利文献公开了一种基于对比学习与变分自编码器的序列推荐方法，其对原始数据分支进行时频域转换，对数据增强分支进行数据滑动增强。在模型层面采用随机深度增强策略，使用transformer编码器对原始数据分支和增强数据分支的数据编码，获取各自数据分支数据的均值和方差，根据对比学习策略最大化正负样本损失，随后利用共享的transformer解码器生成新的项目序列。然而，该方法仍使用随机增强策略，导致增强序列分支中的数据与原始数据相关性不足，可能会引入多余的噪声。

5、dang等人在其发表的论文“augmenting sequential recommendation withbalanced relevance and diversity”（proceedings of the aaai conference onartificial intelligence, 2025, pp. 11563–11571.）中提出了一种新型的数据增强方法basrec。其指出通过随机增强方法生成的序列通常与原始序列的相关性不足。为了解决这个问题，此方法设计了两个模块：单序列增强和跨序列增强生成兼具多样性与语义相关性的虚拟样本。对于单序列增强，在传统随机增强操作之上，basrec通过从均匀分布中采样操作权重来提高多样性，同时通过融合原始序列表示和增强序列表示来获得相关性。对于跨序列增强，basrec采用非线性混合方法进行融合，但这种融合对每个参数分配权重会带来很大的计算开销，对此，basrec又将这一过程进行分解，并进一步提出物品级与特征级的混合方法，以生成兼具多样性与语义相关性的虚拟样本。但由于basrec方法仅局限于时域混合，这种同质化的增强策略所产生的结果缺乏多样性，未能充分利用频谱结构中蕴含的丰富信息，模型无法根据频率成分的自然语义区分用户表示，导致推荐准确率下降。

技术实现思路

1、本发明的目的在于克服上述现有技术的不足，提出了一种基于双域增强和频域对比学习的序列推荐方法及系统，以避免生成的增强序列与原始序列在语义上产生偏差，进一步区分用户表示，提高推荐准确率。

2、实现本发明目的的技术思路是：通过构建单序列增强模块和跨序列双域增强模块，避免生成的增强序列与原始序列在语义上产生偏差；通过构建频域对比学习模块进一步区分用户表示；通过构建包含上述模块的推荐网络提升了推荐准确率。

3、根据上述思路，本发明的技术方案包括：

4、1. 一种基于双域增强和频域对比学习的序列推荐方法，其特征在于，包括：

5、（1）获取多个序列推荐数据集，并对其进行预处理得到待测交互序列ltest，再将该待测交互序列中的最后一个物品去掉得到训练交互序列ltrain；

6、（2）构建包括单序列增强单元、编码器、跨序列双域增强单元及频域对比学习单元的序列推荐网络模型；

7、（3）将训练交互序列ltrain输入到序列推荐网络模型进行迭代训练，得到训练好的序列推荐网络模型；

8、（4）将待测交互序列ltest输入到训练好的序列推荐网络模型中，得到模型认为待测交互序列ltest后续最可能交互的topm个物品。

9、进一步，所述（2）构建包括单序列增强单元、编码器、跨序列双域增强单元及频域对比学习单元的序列推荐网络模型，其实现包括：

10、（2a）建立包括嵌入层、随机增强和mixup操作的单序列增强单元，用于将训练交互序列ltrain通过嵌入层得到训练交互表示eu，再将eu通过随机增强得到随机增强表示，然后将eu和利用mixup操作混合得到虚拟样本；

11、（2b）采用sasrec编码器将单序列增强单元得到的虚拟样本和训练交互表示eu分别映射为序列表示和hu；

12、（2c）建立包括时域跨序列增强和频域跨序列增强的跨序列双域增强单元，用于根据应用概率p选择时域或频域跨序列增强训练交互序列表示hu；

13、（2d）建立包括快速傅里叶变换、频域掩码、逆快速傅里叶变换及自适应对比学习的频域对比学习单元，用于先将训练交互序列表示hu通过快速傅里叶变换映射到频域得到幅度谱au和相位谱，再应用频域掩码分别掩码高频和低频分量构成低频视图和高频视图，再将低频和高频视图经过逆快速傅里叶变换映射回时域得到时域的低频视图和高频视图，输入到自适应对比学习中；

14、（2e）将单序列增强单元与编码器串联，并将跨序列双域增强单元与频域对比学习单元并列连接在编码器之后，构成序列推荐网络模型。

15、2．一种基于双域增强和频域对比学习的序列推荐系统，其特征在于，包括：

16、数据预处理模块，用于对序列推荐数据集预处理，得到用于训练和待测的交互序列，为训练序列推荐网络模型生成所需的数据；

17、序列推荐网络构建模块，用于构建包括单序列增强单元、编码器、跨序列双域增强单元及频域对比学习单元的序列推荐网络模型；

18、训练模块，用于通过梯度下降法训练模型，优化序列推荐网络模型，得到训练好的序列推荐网络模型；

19、输出模块，用于将待测交互序列ltest输入到训练好的序列推荐网络模型中，输出模型认为待测交互序列ltest后续最可能交互的topm个物品。

20、本发明与现有技术相比，具有如下优点：

21、其一，本发明由于构建了基于双域增强和频域对比学习的序列推荐方法及系统，考虑了现有数据增强仅在时域应用导致无法充分利用频谱结构信息的问题，将数据增强扩展到频域，有效地提升了推荐性能。

22、其二，本发明由于在序列推荐网络模型中构建了跨序列双域增强单元，使得模型能够从时域嵌入空间与频域谱结构联合提取多尺度的局部序列依赖与全局频率模式，有效缓解了序列推荐任务中增强样本多样性与语义一致性难以兼顾的问题。

23、其三，本发明由于在序列推荐网络模型中使用了频域对比学习单元对频率成分进行解耦建模，降低了噪声高频信号对模型早期优化的误导，能够聚焦用户长期稳定兴趣成分，同时又能兼顾对短期动态偏好的渐进式学习，进一步提升了用户表示的判别力与序列推荐精度。