序列推荐的目标是依据用户历史行为预测其下一次交互的商品。Transformer 在该任务上取得显著提升，但计算成本仍然高企。近期状态空间模型（SSM）因其对长序列的高效建模而受到关注，然而现有方法通常为每个商品分配单一的静态语义角色，忽视了商品在不同上下文中的多义性。实际场景中，同一商品会随用户的短期意图或长期偏好而承担不同语义角色，且这些角色在不同时间粒度上呈现出不同的演化规律。为此我们提出 DSRec——一种双兴趣跨粒度 SSM 框架，显式解耦商品的长期兴趣与短期兴趣。长期兴趣分支通过对历史点击进行聚合，生成稳定的偏好嵌入；短期兴趣分支则利用点击间隔时间对局部会话意图进行加权，捕获即时需求。两类兴趣嵌入分别送入不同的 SSM 编码器：全序列 Mamba 负责长期序列建模，时间调制 SSM 根据点击间隔动态调整状态转移。为实现跨粒度信息对齐，模型引入残差交叉融合机制，在保持语义独立性的前提下实现两支路信息互补。实验在多个公开基准数据集上进行，对比包括最新的 Transformer 与 SSM 基线，DSRec 在准确率与召回率上均取得显著提升。
点评