HGCN-GRU：面向超图序列推荐的时序记忆学习与自监督对比增强

Scientific Reports · 2026-10-22 · 期刊论文

• 一句话结论：在三个基准数据集上，HGCN-GRU在全部评价指标上优于七个对比基线，且在稀疏交互场景下改进仍然存在；该结论来自离线基准实验，属算法性能层面，未涉及真实业务部署效果。
• 研究设计与做法：研究提出序列推荐框架HGCN-GRU，包含两项设计：以门控循环单元结合时间注意力替代现有超图模型的残差门控，将逐期超图嵌入序列建模为时序过程；并引入基于随机超边丢弃增强的自监督对比学习目标，对齐两个独立增强视图的用户表示。
• 主要结果：在Amazon Review、MovieLens-1M与Yelp三个不同密度基准数据集上，模型在所有评价指标上一致优于七个竞争基线，在最稀疏设置下改进仍然可观；具体指标数值、提升幅度与置信区间材料未报告。
• 机制或解释：作者解释为：现有超图序列推荐多依赖浅层时序传播（残差门控或相邻快照单步超图卷积），难以保留跨远距离时段的语义依赖；仅用监督信号训练时又受数据稀疏制约，GRU与注意力用于累积长程语义，对比学习用于补充监督信号。
• 局限与边界：局限包括：仅在三个公开离线数据集上评测，缺少在线A/B或真实生产环境验证；对比增强依赖超边丢弃策略与其超参数选择；计算开销与冷启动表现材料未报告。利益冲突与资助信息材料未报告。
• 可否落地：科研含义上，该工作提示将循环时序建模与自监督对比目标结合可缓解超图序列推荐的稀疏性问题；但证据档位为C、仅离线基准，属「提示」级别，尚不足以下结论认为其可替代现有工业推荐系统。

🔗 打开原文

F Saghafi, Sayeh Mirzaei

本文摘自《每日前沿研究简报 · 2026-10-24》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。