基于Mamba2与自适应时频分析的序列推荐模型
胡春阳
刘唤唤
葛斌
韦忠亮
霍振革
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对基于自注意力机制的变换器(Transformer)模型在序列推荐任务中,存在动态用户兴趣捕捉不足以及计算复杂度随序列长度呈平方级增长的问题,提出了基于曼巴 2(Mamba2)与自适应时频分析的序列推荐模型(sequential recommendation model based on Mamba2 and adaptive time-frequency analysis,M2ATFSRec),用于提升模型对动态用户兴趣的捕捉能力,进而在降低模型计算复杂度的同时提升模型的推荐精度.首先,采用自适应时频分析方法提取用户历史行为序列的时频特征,对兴趣的多尺度周期模式进行显示编码;然后,利用Mamba2 的选择性状态空间机制,实现长序列的高效动态兴趣建模.M2ATFSRec在电影镜头 100 万条评分(movielens 1 million ratings,MovieLens-1M)、亚马逊美妆产品(Amazon beauty products,Amazon-Beauty)和亚马逊视频游戏(Amazon video games,Amazon-Video-Games)数据集上进行实验,在归一化累积折损增益(normalized discounted cumulative gain,NDCG)指标上相比面向高效的顺序推荐与选择性状态空间模型(towards efficient sequential recommendation with selective state space model,Mamba4Rec)分别提升了 6.42%、22.76%和 33.22%.该模型在长序列场景下具有更优的推荐性能.
关键词：推荐系统序列推荐Mamba2数据稀疏性频域融合长短期偏好
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(62476005)安徽省自然科学基金青年项目(1808085QF205)安徽省教育厅科学研究项目(KJ2017A085)安徽理工大学人才引进研究基金项目(11941)
论文发表日期：2025-09-20
在线出版日期：2025-09-24（本平台首次上网日期，不代表文献的发表时间）
页数：6( 405-410 )
英文信息