[论文解读] SRSUPM: Sequential Recommender System Based on User Psychological Motivation

Yicheng Di, Yuan Liu+2 more|arXiv (Cornell University)|Feb 9, 2026

Recommender Systems and Techniques被引用 0

一句话总结

SRSUPM 是一个插件框架，通过多级移位表示和移位驱动的协同学习来增强序列推荐器，以对历史与目标项之间的移位进行建模并提升对下一个项的预测。

ABSTRACT

Sequential recommender infers users' evolving psychological motivations from historical interactions to recommend the next preferred items. Most existing methods compress recent behaviors into a single vector and optimize it toward a single observed target item, but lack explicit modeling of psychological motivation shift. As a result, they struggle to uncover the distributional patterns across different shift degrees and to capture collaborative knowledge that is sensitive to psychological motivation shift. We propose a general framework, the Sequential Recommender System Based on User Psychological Motivation, to enhance sequential recommenders with psychological motivation shift-aware user modeling. Specifically, the Psychological Motivation Shift Assessment quantitatively measures psychological motivation shift; guided by PMSA, the Shift Information Construction models dynamically evolving multi-level shift states, and the Psychological Motivation Shift-driven Information Decomposition decomposes and regularizes representations across shift levels. Moreover, the Psychological Motivation Shift Information Matching strengthens collaborative patterns related to psychological motivation shift to learn more discriminative user representations. Extensive experiments on three public benchmarks show that SRSUPM consistently outperforms representative baselines on diverse sequential recommender tasks.

研究动机与目标

• 在序列推荐中动机随时间的变化机制进行动机化驱动的量化并解释。
• 开发一个通用的、即插即用的框架，用带有移位感知表示与学习的方式来增强主干模型。
• 利用 PMSA 量化移位程度，并通过 SIC 与 PMSID/PMSIM 构建多层次移位表示。
• 通过移位信息匹配对齐相同目标项和移位水平的相似用户的移位表示，以提升协同学习。

提出的方法

• 引入心理动机移位评估（PMSA），通过类别重叠量化历史与目标项之间的移位程度。
• 构建移位信息构建（SIC），从主干用户向量中创建 V 个平行移位表示。
• 应用心理动机移位驱动的信息分解（PMSID），对移位表示进行正则化并在各层之间分配。
• 使用心理动机移位信息匹配（PMSIM），对同目标且同移位水平的相似用户之间的移位表示进行对齐。
• 在主干模型之上实例化 SRSUPM（如 SASRec），采用由推荐器损失、分解损失和匹配损失组成的多任务损失。
• 通过对移位感知表示的聚合得到最终的项分数 f_{m,k}，并在 V 个层次上的 softmax，实现基于移位的推荐。

Figure 1: When predicting the next interacted item, sequential recommender methods that follow the standard formulation often fail to make accurate predictions for users $m_{1}$ and $m_{3}$ , mainly due to the shift in psychological motivation.

实验结果

研究问题

• RQ1 SRSUPM 能否作为一个通用的插件模块，与不同的序列推荐主干模型集成？
• RQ2 在多样数据集上，建模心理动机移位是否能在强基线之上提升推荐性能？
• RQ3 关键组件（PMSID、PMSIM、PMI）及超参数（V、gamma1、gamma2）对性能的影响是什么？
• RQ4 当与不同主干模型结合时，SRSUPM 的推理效率如何？
• RQ5 SRSUPM 对标签噪声及不同移位强度是否具有鲁棒性？

主要发现

• SRSUPM 在 Yelp、Beauty、Sports 数据集上对多种主干模型（GRU4Rec、SASRec、Caser、Bert4Rec、LightSANs）表现出稳定的改进。
• 在大多数设置中，结合 SRSUPM 获得最佳或第二最佳结果，Beauty 数据集在 Recall@20 和 NDCG@20 上有显著提升。
• 消融实验显示 PMSID（分解）和 PMSIM（匹配）对性能均有贡献，通常 PMSID 的影响更显著。
• SRSUPM 的推理开销适中且在不同主干上稳定，与近年基于移位感知和对比学习的方法相当。
• 超参数分析显示最优的 V 约为 5（在粒度与噪声之间取得平衡），在 gamma1、gamma2 设定平衡时能取得有意义的提升。
• 定性分析表明 PMSA 与移位水平对齐，移位驱动的表示按动机水平聚类。

Figure 2: Overview of SRSUPM with SASRec backbone and $V{=}5$ . PMSA assesses the psychological motivation shift level $b{=}4$ between the input sequence and target item using multi-label categories. Shift Information Construction generates $V$ transformation vectors, selects the corresponding shift