LISRec: Modeling User Preferences with Learned Item Shortcuts for Sequential Recommendation

针对序列推荐系统中用户交互历史常包含噪声（如偶然点击）而干扰真实偏好建模的问题，提出了一种名为“学习型项目捷径”（LISRec）的新框架，旨在通过提取个性化的语义捷径来显式捕捉用户的稳定偏好。该方法首先利用任务无关的语义表示评估项目间的相似性，并基于用户所有交互项目构建个性化语义图；随后，在该图中识别出最大语义连通子集作为语义捷径，用于指导用户偏好建模。这一机制在过滤无关行为的同时保留了用户真实兴趣的多样性。在Yelp和亚马逊商品数据集上的实验表明，LISRec相比基线模型性能提升达13%，且能有效泛化至不同推荐架构。进一步分析显示，基于捷径的历史序列更能准确反映用户偏好，从而实现更精准的相关推荐。该研究为语义表示与去噪机制的结合提供了可解释、可推广的解决方案。