S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation
S2-CAR：分割监督的复杂度自适应推荐
🧭 顺序推荐 · 意图分割与多兴趣建模
University of Technology Sydney · City University of Macau · The Education University of Hong Kong
通过连续能量衰减建模意图动态实现无监督分段，结合自适应多兴趣提取与对比辅助训练，提升长序列中间信号利用
📌 工作参考价值
- 无监督意图分割插件：利用 Soft-TPP 基于行为动态划分 session，可在电商推荐系统中替代固定时间窗规则，避免硬切分导致的意图错位，尤其适合处理用户长期后重回同一品类时的意图连续性问题。
- 分段自适应的兴趣压缩：根据分段数量动态调整兴趣槽位，引入压缩比 ρ 抑制周期重复兴趣的浪费，能生成更紧凑的用户多兴趣向量，在召回或排序阶段降低计算和存储开销。
- 层次对比辅助训练：训练时加入基于分段的全局兴趣编码器作为教师信号，通过对比损失正则化因果序列编码器，推理时丢弃，零额外延迟提升长序列建模能力，可直接迁移到现有的 Transformer 推荐模型。
- 边界类型嵌入：将分段边界标志作为可学习嵌入加入物品表示，仅增加微小参数量，便能让模型显式感知意图变迁，该 trick 可方便集成到自注意力架构中。
动机
长序列推荐中，用户意图随时间异步转换，固定时间窗分割常将同一意图割裂或将不同意图混入同一片段，导致模型过度依赖近期信号、忽略中段有效信息。需要一种随行为动态变化的意图分割方法，并以此为基础紧凑表达多兴趣。
方法
- Soft-TPP 无监督分割：将意图建模为连续能量向量，上下文自适应的衰减率（融合类别转移与用户历史分布），当能量保留率低于阈值时产生边界，实现无标签的意图分段。
- 顺序推理编码器 (SIE)：因果 Transformer + 多尺度旋转位置编码 (MS-RoPE) + 边界类型嵌入，从最后位置提取用户嵌入用于推荐。
- 层次兴趣编码器 (HIE)：基于分段聚合得到等权片段表示，再用跨注意力与压缩比 ρ 自适应提取多兴趣（ρ 抑制周期重复），引入多样性正则防坍缩。
- 训练策略：Soft-TPP 预训练后冻结；主训练联合交叉熵、对比损失（对齐 SIE 与 HIE 表示）和多样性损失；推理时仅保留 SIE。
实验
在 ML-1M、Amazon、Steam 三个数据集上与 13 个基线对比，S2-CAR 在所有指标上最优。ML-1M 上 R@10 达 28.74（第二高 24.75），MRR@10 为 13.07（第二高 9.94），相对提升显著；消融与插件实验验证了 Soft-TPP 分割的通用增益及各模块的必要性。
核心洞见
以能量衰减驱动的 Soft-TPP 替代固定窗口分割，能让序列推荐模型在无监督信号下感知意图边界，有效激活长序列中段的语义信息。