M2Rec

本文介绍了一种名为M2Rec的序列推荐系统框架，旨在解决现有推荐系统在效率和多尺度模式识别方面的局限性。M2Rec整合了多尺度Mamba、傅里叶分析和大型语言模型（LLM），并引入了自适应门控机制。该框架通过傅里叶变换增强Mamba，明确地在频率域中建模周期性模式，并利用LLM提取丰富的语义信息。最后，通过学习门控机制动态平衡不同模态的特征，实现多模态融合。实验表明，M2Rec在保持Transformer基线模型20%的推理速度的同时，比现有的Mamba模型提高了3.2%的命中率@10。该框架适用于电子商务、流媒体平台等领域，旨在解决用户交互序列中多尺度周期性模式识别问题。This paper introduces a sequential recommendation framework named M2Rec, which aims to address the limitations of existing recommendation systems in terms of efficiency and multi-scale pattern recognition. M2Rec integrates multi-scale Mamba, Fourier analysis, and Large Language Models (LLMs), and introduces an adaptive gating mechanism. This framework enhances Mamba via Fourier transform, explicitly models periodic patterns in the frequency domain, and leverages LLMs to extract rich semantic information. Finally, it achieves multimodal fusion by learning the gating mechanism to dynamically balance features from different modalities. Experiments demonstrate that M2Rec maintains 20% of the inference speed of the Transformer baseline model, while improving the Hit Rate@10 by 3.2% compared to existing Mamba-based models. This framework is applicable to domains such as e-commerce and streaming media platforms, and aims to solve the problem of multi-scale periodic pattern recognition in user interaction sequences.

搜集汇总

数据集介绍

构建方式

M2Rec数据集的构建基于多尺度Mamba框架，结合了傅里叶变换、大型语言模型（LLMs）和自适应门控机制。首先，通过快速傅里叶变换（FFT）在频域中显式建模用户行为的周期性模式，有效分离噪声与真实趋势。其次，利用LLM从项目描述中提取语义嵌入，丰富了稀疏的交互数据。最后，通过可学习的门控机制动态平衡时间（Mamba）、频率（FFT）和语义（LLM）特征，实现了多模态特征的和谐融合。

特点

M2Rec数据集的特点在于其高效的多尺度建模能力和丰富的语义信息整合。通过FFT增强的Mamba模块，能够捕捉用户行为的日、周、月等多尺度周期性模式。LLM的引入为数据集提供了丰富的语义上下文，弥补了传统基于ID方法的稀疏性问题。自适应门控机制则确保了不同信息源的动态平衡，显著提升了推荐系统的准确性和效率。

使用方法

M2Rec数据集的使用方法主要包括三个步骤：首先，利用FFT模块对用户交互序列进行频域分析，提取多尺度周期性模式；其次，通过LLM模块生成项目描述的语义嵌入，增强数据的语义理解；最后，通过门控机制动态融合时间和语义特征，生成个性化推荐。该数据集适用于电子商务、流媒体平台等需要高效序列推荐的场景，支持快速推理和长序列处理。

背景与挑战

背景概述

M2Rec是由香港大学、伊迪斯科文大学、格里菲斯大学和昆士兰大学的研究团队于2025年提出的一个创新的序列推荐框架。该数据集旨在解决传统序列推荐系统在效率和多尺度模式识别方面的关键限制。M2Rec通过整合多尺度Mamba、傅里叶分析、大型语言模型（LLMs）和自适应门控机制，显著提升了序列推荐的性能。其核心研究问题包括如何有效捕捉用户行为中的周期性模式、利用丰富的语义信息以及动态平衡多模态特征。M2Rec在多个基准数据集上的实验表明，其在命中率和推理速度上均优于现有方法，对电子商务、流媒体平台等个性化服务领域具有重要影响。

当前挑战

M2Rec面临的挑战主要包括三个方面：1) 领域问题的挑战：用户交互数据中多尺度周期性模式（如每日浏览习惯、每周购买周期等）往往被原始序列数据中的噪声所掩盖，传统方法难以有效识别和放大这些模式；2) 构建过程的挑战：现有Mamba-based推荐方法仅依赖稀疏的基于ID的特征，忽略了项目描述和用户评论中的丰富语义信息；3) 多模态特征融合的挑战：简单拼接来自不同模态的特征（如Mamba的时间模式、傅里叶分析的频率成分和语言模型的语义嵌入）常导致信号冲突和次优性能。此外，如何在保持Mamba核心效率优势的同时整合这些增强功能也是一个关键挑战。

常用场景

经典使用场景

在电子商务和流媒体平台等个性化服务领域，M2Rec数据集被广泛应用于序列推荐系统的开发与优化。该数据集通过整合多尺度Mamba模型与傅里叶分析，能够有效捕捉用户交互历史中的周期性行为模式，如日常浏览习惯、每周购买周期等。其经典使用场景包括基于用户历史行为的下一项偏好预测，特别适用于需要处理长序列数据且对计算效率要求较高的推荐系统。

解决学术问题

M2Rec数据集解决了序列推荐领域三个关键学术问题：传统Transformer模型二次计算复杂度的效率瓶颈、Mamba模型在周期性行为识别方面的不足，以及多模态特征融合的优化难题。通过引入快速傅里叶变换显式建模频域周期模式，结合大型语言模型提取语义嵌入，并采用自适应门控机制平衡不同特征源，该数据集为多尺度用户行为建模提供了创新解决方案，在Hit Rate@10指标上较现有Mamba模型提升3.2%，推理速度比Transformer基线快20%。

衍生相关工作

围绕M2Rec数据集已衍生出多项创新研究，包括将选择性状态空间模型与低秩分解自注意力结合的MLSA4Rec、联合Mamba和Transformer架构的MatrRec，以及处理终身序列推荐的RecMamba等。这些工作进一步拓展了频域分析在推荐系统的应用边界，如FEARec采用频域注意力机制显式建模长短期行为模式。相关研究持续推动着高效序列推荐算法的发展，形成以多尺度建模为核心的技术演进路线。