一种基于对比学习与长尾重加权的扩散模型序列推荐方法

本发明公开了一种基于对比学习与长尾重加权的扩散模型序列推荐方法，涉及数据处理技术领域。方法包括：根据历史物品交互数据得到语义向量码本和各物品的逆流行度权重，并根据逆流行度权重更新语义向量码本；基于更新后的语义向量码本计算对比学习损失；针对每个样本，对该样本对应的语义向量进行动态融合，对目标物品信息进行加噪处理，并将动态融合结果和加噪处理结果作为扩散模型的输入，根据目标物品信息和模型输出得到重建损失，基于对比学习损失和重建损失优化扩散模型；利用训练好的扩散模型进行物品预测，并根据物品预测结果得到推荐物品。该方法可提升模型对用户兴趣的捕捉能力与生成推荐的准确性，以及增强对长尾物品的识别与覆盖。