摘要
序列推荐是推荐系统领域中的一个关键研究方向，旨在基于用户历史交互序列（包含不规则时间间隔）建模其兴趣演化过程。尽管以往基于循环神经网络（RNN）和注意力机制的方法已取得显著成果，但由于其离散化特性，难以有效捕捉系统内部的连续性。在连续时间建模背景下，状态空间模型（State Space Model, SSM）提供了一种潜在解决方案，因其能够有效建模用户兴趣随时间动态演变的过程。然而，现有基于SSM的方法普遍忽略了历史用户交互中不规则时间间隔的影响，导致在建模序列中复杂的用户-物品转换关系时存在局限。为解决上述问题，本文提出一种混合式SSM模型——SS4Rec，用于连续时间序列推荐。SS4Rec融合了两种具有不同感知能力的SSM：一种是时间感知SSM，用于处理不规则的时间间隔；另一种是关系感知SSM，用于建模上下文依赖关系。该设计使模型能够从时间维度与序列结构两个视角协同推断用户兴趣。在训练过程中，时间感知SSM根据用户交互的时间间隔采用可变步长进行离散化，而关系感知SSM则依据输入数据特性进行相应离散化。这一机制有效捕捉了由不规则时间间隔带来的连续依赖关系，并支持生成具有时间特性的个性化推荐。在五个基准数据集上的实验结果表明，SS4Rec在推荐性能上显著优于现有方法，验证了其优越性与有效性。