weixin_46351593的博客

整体任务也是协同与语义的结合。现有探索有两种：- 一种是**纯文本法**：只用文本（商品介绍等）做 embedding，能泛化但丢了 CF 信号。- 另一种是**混合法**：试图融合文本和 CF 信号，比如把 ID 向量和文本向量拼接、用文本指导 ID 训练、或设计融合网络（比如cross-attention）。【CCFRec 也算这类吧】本质还是主要依赖 ID 向量。作者认为：最好的 embedding model，应该 “天生” 就能同时捕获 CF 信号和 语义知识，而不是

摘要：中国人民大学高瓴学院的KDD2025论文《Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation》提出CCFRec模型，解决序列推荐中文本与协同信息融合不足的问题。传统方法依赖ID协同过滤，忽视商品文本内容，而现有融合方法常导致信息割裂。CCFRec创新性地引入多视图语义码（sid），将商品属性（如标题、品牌）编码为可学习的语义ID，既保留协同关系，又增强内容表征。模型通过Code