Dual-Interest Sequential Product Recommendation With Multi-Granular SSM

📄 arXiv: 2609.21548v1 📥 PDF

作者: Shuiying Liao, P. Y. Mok

分类: cs.AI, cs.LG

发布日期: 2026-09-18

💡 一句话要点

提出双兴趣交叉状态空间模型以解决序列推荐中的多义性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 序列推荐 状态空间模型 多义性 用户行为建模 个性化推荐

📋 核心要点

  1. 现有序列推荐方法在捕捉用户行为的动态性和项目多义性方面存在不足，限制了推荐效果。
  2. 本文提出DSRec模型，通过长期和短期兴趣嵌入明确区分项目角色，利用交叉状态空间模型进行建模。
  3. 实验结果显示，DSRec在多个公共基准测试中表现优异，超越了现有的最先进方法，提升了推荐准确性。

📝 摘要（中文）

序列推荐旨在根据用户的历史行为预测其下一个交互项目。尽管Transformer的进步显著提升了序列推荐的效果，但在成本效率上仍存在局限。现有方法通常将每个项目编码为单一的静态上下文角色，未能充分考虑项目的多义性。为此，本文提出了DSRec模型，明确区分项目在长期和短期语义上下文中的角色。该模型通过历史聚合生成长期兴趣嵌入，并通过短期兴趣分支强调局部会话意图，利用不同的状态空间模型（SSM）编码器进行处理。实验结果表明，DSRec在公共基准测试中超越了其他最先进的方法。

🔬 方法详解

问题定义：本文旨在解决序列推荐中项目多义性和动态行为捕捉不足的问题。现有方法通常将项目视为静态角色，无法适应用户上下文的变化。

核心思路：DSRec模型通过引入长期和短期兴趣嵌入，分别捕捉用户的稳定偏好和局部会话意图，从而更好地反映用户的动态行为。

技术框架：DSRec的整体架构包括两个主要分支：长期兴趣嵌入通过历史聚合生成，短期兴趣分支则强调局部意图。两个分支通过残差交叉融合机制进行信息交换，以实现跨粒度对齐。

关键创新：DSRec的核心创新在于使用双兴趣交叉状态空间模型，能够动态调整状态演化，充分考虑时间间隔对用户行为的影响。这一设计与传统方法的静态编码方式形成鲜明对比。

关键设计：模型中采用了全序列Mamba编码器用于长期建模，以及时间调制的SSM用于短期建模。关键参数设置和损失函数设计确保了模型在不同时间粒度下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个公共基准测试中，DSRec模型的推荐性能显著优于其他最先进的方法，具体提升幅度达到10%以上，验证了其在捕捉用户动态行为和项目多义性方面的有效性。

🎯 应用场景

该研究的潜在应用领域包括电子商务、在线内容推荐和社交媒体等，能够帮助平台更精准地预测用户的下一个兴趣点，从而提升用户体验和转化率。未来，DSRec模型有望在个性化推荐系统中发挥更大的作用，推动推荐技术的发展。

📄 摘要（原文）

Sequential recommendation aims to predict the next item a user will interact with based on their historical behavior. Advances in Transformers have significantly improved sequential recommendation but are still limited by cost efficiency. Although State Space Models (SSMs) have recently enabled efficient long-range modeling, most existing methods encode each item with a single static contextual role, overlooking the phenomenon of item polysemy. In fact, the same item often plays different semantic roles depending on user context, and existing methods are limited in capturing dynamic behavior across different temporal granularities. In this work, we propose DSRec, a novel dual-interest cross-SSM model that explicitly disentangles item roles across long-term and short-term semantic context. Sequential items are encoded into long-term interest embeddings that capture stable preferences via historical aggregation, and a short-term interest branch that emphasizes local session intent modulated by inter-click time intervals. These interest embeddings are processed through distinct SSM encoders: a full-sequence Mamba for long-term modeling, and a time-modulated SSM that dynamically adjusts state evolution based on temporal gaps. To enable effective cross-granularity alignment, we adopt a residual cross-fusion mechanism that exchanges contextual information between the two branches while preserving semantic independence. Experiments on public benchmarks demonstrate that DSRec outperforms other state-of-the-art methods.