兴趣表示更全面
将物品表示为分布而非固定向量，能够同时捕捉用户的多重兴趣和物品的多面特性，并通过注入不确定性提升推荐的鲁棒性。
Zihao, Li · Sun, Aixin · 李晨亮
ACM Transactions on Information Systems 2023
将物品表示为分布而非固定向量，能够同时反映用户的多重兴趣和物品的多面特性。
在扩散阶段通过加噪将目标物品嵌入破坏为高斯分布，用于序列物品分布表示生成和不确定性注入，提升鲁棒性。
在四个公开数据集上大幅超越强基线，验证了扩散模型在序列推荐中的有效性。