面向序列推荐的深度化指数移动平均学习方法
来源：计算机科学与探索杂志2025年第3期北京时间：
作者：温雯, 胡智鑫, 郝志峰
单位：1. 广东工业大学 计算机学院，广州 5100062. 汕头大学，广东 汕头 515000
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
基金资助：广东省自然科学基金（2024A1515011380）。
