SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests

📄 arXiv: 2604.04530 📥 PDF

作者: Wei Zhou, Yue Shen, Junkai Ji, Yinglan Feng, Xing Tang, Xiuqiang He, Liang Feng, Zexuan Zhu

分类: cs.IR, cs.LG

发布日期: 2026-04-07

💡 一句话要点

SLSRec：自监督对比学习融合长短期用户兴趣，提升会话推荐效果

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

关键词: 会话推荐 自监督学习 对比学习 长期兴趣 短期兴趣 注意力机制 用户行为建模

📋 核心要点

  1. 现有会话推荐模型难以准确捕捉用户兴趣随时间变化的动态性，尤其是在用户行为时间分布不均的情况下。
  2. SLSRec通过自监督对比学习解耦长期和短期用户兴趣，并使用注意力机制自适应融合，从而更准确地建模用户兴趣。
  3. 实验结果表明，SLSRec在多个基准数据集上显著优于现有模型，证明了其有效性和鲁棒性。

📝 摘要（中文）

用户兴趣通常包含长期偏好和短期意图，反映了用户行为在不同时间范围内的动态性。用户交互的时间分布不均凸显了兴趣的演变模式，使得使用全面的历史行为来准确捕捉兴趣变化具有挑战性。为了解决这个问题，我们提出了SLSRec，一种新颖的基于会话的模型，融合了长期和短期推荐，通过分割历史行为来有效地捕捉用户兴趣的时间动态性。与将长期和短期用户兴趣组合成单一表示的传统模型不同，SLSRec利用自监督学习框架来解耦这两种类型的兴趣。引入了一种对比学习策略，以确保长期和短期兴趣表示的准确校准。此外，设计了一个基于注意力的融合网络，以自适应地聚合兴趣表示，优化它们的集成以提高推荐性能。在三个公共基准数据集上的大量实验表明，SLSRec始终优于最先进的模型，同时在各种情况下表现出卓越的鲁棒性。所有源代码将在接受后发布。

🔬 方法详解

问题定义：现有的会话推荐模型通常将长期和短期用户兴趣简单地融合在一起，忽略了它们之间的差异和动态变化。这种融合方式导致模型无法准确捕捉用户兴趣的演变，尤其是在用户行为的时间分布不均匀的情况下，某些时间段的行为可能对当前会话的影响更大。因此，如何有效地分离和融合长期和短期用户兴趣，以提高推荐的准确性，是一个关键问题。

核心思路：SLSRec的核心思路是利用自监督对比学习来解耦长期和短期用户兴趣。通过将历史行为分割成不同的时间段，分别学习长期和短期兴趣的表示。然后，使用对比学习策略来确保这两种表示的准确校准，使得它们能够更好地反映用户在不同时间范围内的偏好。最后，使用注意力机制自适应地融合这两种表示，以生成最终的推荐结果。

技术框架：SLSRec的整体框架包括以下几个主要模块：1) 历史行为分割模块：将用户的历史行为按照时间顺序分割成多个会话片段。2) 长期兴趣表示学习模块：利用用户的长期行为数据学习用户的长期兴趣表示。3) 短期兴趣表示学习模块：利用用户的短期行为数据学习用户的短期兴趣表示。4) 对比学习模块：通过对比学习策略，对长期和短期兴趣表示进行校准。5) 注意力融合模块：使用注意力机制自适应地融合长期和短期兴趣表示，生成最终的用户兴趣表示。6) 推荐模块：基于用户兴趣表示，预测用户下一个可能感兴趣的物品。

关键创新：SLSRec的关键创新在于以下几个方面：1) 提出了一种基于自监督对比学习的框架，用于解耦长期和短期用户兴趣。2) 设计了一种注意力融合网络，用于自适应地融合长期和短期兴趣表示。3) 通过对比学习策略，确保长期和短期兴趣表示的准确校准。与现有方法相比，SLSRec能够更准确地捕捉用户兴趣的动态变化，从而提高推荐的准确性。

关键设计：在对比学习模块中，使用了InfoNCE损失函数来最大化正样本对之间的相似度，同时最小化负样本对之间的相似度。在注意力融合模块中，使用了多头注意力机制来捕捉长期和短期兴趣之间的复杂关系。具体的参数设置和网络结构细节将在论文的实验部分进行详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在三个公共基准数据集上的实验结果表明，SLSRec consistently outperforms state-of-the-art models，证明了其有效性。具体来说，SLSRec在Recall@20和NDCG@20等指标上均取得了显著提升，并且在不同数据集和参数设置下都表现出良好的鲁棒性。这些结果表明，SLSRec能够有效地捕捉用户兴趣的动态变化，从而提高推荐的准确性。

🎯 应用场景

SLSRec可应用于各种基于会话的推荐场景，例如电商、在线视频、新闻推荐等。通过更准确地捕捉用户兴趣的动态变化，可以为用户提供更个性化、更相关的推荐结果，从而提高用户满意度和平台收益。该研究对于提升推荐系统的智能化水平具有重要意义。

📄 摘要（原文）

User interests typically encompass both long-term preferences and short-term intentions, reflecting the dynamic nature of user behaviors across different timeframes. The uneven temporal distribution of user interactions highlights the evolving patterns of interests, making it challenging to accurately capture shifts in interests using comprehensive historical behaviors. To address this, we propose SLSRec, a novel Session-based model with the fusion of Long- and Short-term Recommendations that effectively captures the temporal dynamics of user interests by segmenting historical behaviors over time. Unlike conventional models that combine long- and short-term user interests into a single representation, compromising recommendation accuracy, SLSRec utilizes a self-supervised learning framework to disentangle these two types of interests. A contrastive learning strategy is introduced to ensure accurate calibration of long- and short-term interest representations. Additionally, an attention-based fusion network is designed to adaptively aggregate interest representations, optimizing their integration to enhance recommendation performance. Extensive experiments on three public benchmark datasets demonstrate that SLSRec consistently outperforms state-of-the-art models while exhibiting superior robustness across variousthis http URLwill release all source code upon acceptance.