Page 335 - 《软件学报》2025年第12期

5716 软件学报 2025 年第 36 卷第 12 期

4.4.6 模型框架分析 (RQ6)
本文模型 TIDA-DSSR 通过对会话内和会话间的特征建模, 已初步实现了对不同尺度信息的捕捉. 为进一步
提升对复杂推荐场景的适应性, 可将对比学习框架扩展为多尺度结构. 在局部层面上, 模型可深度挖掘单一会话序
列中行为间的时序依赖性; 在全局层面上, 模型可通过构建跨会话的超图结构, 提取用户间的协同行为或项目间的
语义相似性. 通过结合局部与全局特征的对比, 模型能够更好地平衡短期兴趣与长期兴趣的关联, 从而进一步提升
其泛化能力. 此外, 多视角 (如用户与项目、时间与行为) 的对比学习丰富了模型在多样化场景下的表现能力, 有
助于更精准地捕捉复杂推荐场景中的隐式关系.
所提模型 TIDA-DSSR 当前利用会话内时序信息和会话间高阶关系进行对比学习, 但对高阶关系的建模仍可
进一步拓展. 通过显式构建数据中的高阶关系图 (如跨会话项目间的隐式语义关系或用户间的协同行为), 可设计
关系更复杂的对比目标. 具体而言, 在关系图中, 节点可代表用户、会话或项目, 边则表示它们之间的隐式关联 (如
语义相似性或协作行为). 通过在对比学习框架中融入这些高阶关系, TIDA-DSSR 模型能够捕捉更加丰富的上下
文信息, 挖掘不同数据分布中的潜在信号, 提升跨领域场景下的推荐性能.
此外, 通过引入知识图谱, 将项目之间的显式关联 (如类别、品牌) 与隐式关联 (如共现关系) 融合到对比学习
中, 可帮助模型更好地理解复杂数据分布. 而且, 将上下文信息 (如地理位置、时间、设备类型) 融入到对比任务
中, 能够构建场景感知能力更强的对比目标.
故本文提出的对比学习框架灵活性较强, 可有效地应对复杂的推荐场景. 通过多角度的视图构建和改进后的
数据增强策略, 该框架能够适配多种类的数据分布和应用场景, 展现出较强的泛化能力与适应性.
4.4.7 案例分析
上述实验结果表明, 所提模型 TIDA-DSSR 可有效地提高推荐性能. 下面我们进一步利用 Sports 数据集中的
数据进行案例分析, 该数据集的项目种类集中度相对较高, 其用户会话更易呈现高阶隐藏关系. 另外, 作为深度学
习会话推荐中的较经典模型, DHCN 能够动态捕捉会话间高阶关系, 并将多对多的高阶关系进行具体化, 故使用模
型 DHCN 与所提模型 TIDA-DSSR 来预测会话中用户的下一行为并加以对比, 以直观地展示 TIDA-DSSR 的有效
性. 具体示例如图 6 所示. 为便于阐述, 这里仅展示部分会话序列.

相似
会话1
篮球 足球
瑜伽垫 瑜伽服 运动水壶 跳绳 运动头巾
√ 相似
护膝
TIDA-DSSR 篮球服 足球服
会话2
篮球 篮球鞋 篮球服 运动背包 护膝 ×
？ 相同
会话3 DHCN
足球 足球袜 运动水壶 足球服 运动头巾 运动水壶 运动水壶
图 6 案例分析示例

在会话 1 与会话 2 的情况下, 我们可看到, TIDA-DSSR 模型能正确地预测会话 3 中用户下一行为是购买“护
膝”. 这是因为 TIDA-DSSR 模型中数据增强模块与对偶视图编码器模块相结合能提取会话间多种相似信息 (即,
会话 2 中的“篮球”与会话 3 中的“足球”相似, 会话 2 中的“篮球服”与会话 3 中的“足球服”相似), 进而捕捉会话间
的高阶隐藏关系, 判断出会话 2 与会话 3 相似度更高, 从而根据会话 2 进行预测. 而 DHCN 模型通过会话间的相
同项目 (即, 会话 1 与会话 3 中有相同项目“运动水壶”) 错误地将会话 1 与会话 3 联系起来, 会受到整体会话不相
似方面的影响, 从而预测不合适的项目“运动头巾”. 可见, 本文模型 TIDA-DSSR 在捕捉会话间的隐藏高阶关系上
更有优势.