Google02 3.70
S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation
序列推荐中用户兴趣随时间隐式漂移，现有模型要么把整段序列当作同质上下文，要么用固定时间窗切分，导致与真实意图边界错位、在序列中间位置产生跨意图干扰并过度依赖短期信号。S2-CAR 提出"分段监督 + 复杂度自适应"框架，把用户意图建模为连续隐能量状态：用 Context-Aware Soft Temporal Point Process (Soft-TPP) 按隐状态能量自然衰减触发边界切分（而非固定间隔），再用 Segment-Count-Adaptive 多意图抽取模块把意图连贯片段层次化聚合为紧凑多兴趣表征。在电影、电商、游戏 3 个公开数据集、对比 13 个基线上全面超越 SOTA，且作为即插即用模块能稳定提升已有序列推荐骨干。
INSIGHT关键创新是"用能量衰减做软意图分段"，比固定时间窗更贴合真实兴趣边界，缓解长序列建模中的跨意图干扰。最实用之处是它被验证为 plug-and-play 模块，可直接嵌入现有序列推荐骨干带来增益——对已有 SASRec/transformer 类召回或精排的团队，是低成本试点的好选择；其"意图边界检测 + 多兴趣自适应聚合"也可迁移到搜索中的会话/长序列用户意图建模。
Linjiang Guo, Nitin Bisht, Shiqing Wu, Xianzhi Wang, Guandong Xu
arXiv·2026-06-25·Relevance 3 · Novelty 4 · Practical 3 · Evidence 4 · Timely 5