摘要
本发明公开了基于空‑频双域对比学习的在线兴趣组推荐方法及系统，属于推荐系统与数据挖掘技术领域。该方法包括：获取用户的在线与离线社交网络表征作为互补视图；在空域中，通过跨视图对比学习增强用户表征的实例区分度；在频域中，采用一个多层感知机网络来高效近似傅里叶变换，从而在空域中直接解耦出反映用户长短期兴趣的不同频率成分，并在此基础上构建带有可学习权重的自适应频域对比损失；最后，通过多任务学习框架将主推荐任务与空、频双域的对比学习任务进行联合优化。本发明通过空‑频双域的协同学习，有效克服了GNN的频谱偏差，并以高效的近似计算方法解决了频域分析的性能瓶颈，能够全面、动态地捕捉用户的多样化兴趣。
