多视图图双注意力深度学习与对比学习融合的多标准推荐系统研究

针对单标准推荐系统难以捕捉用户多维度偏好的问题，研究人员提出D-MGAC框架，通过构建多边二分图、引入局部-全局双注意力机制和对比学习，在Yahoo!Movies和BeerAdvocate数据集上实现推荐精度提升。该研究为多标准推荐系统（MCRS）提供了兼顾细粒度特征与跨视图语义的新范式。

　　

随着电子商务和社交媒体的爆发式增长，个性化推荐系统已成为提升用户体验的核心技术。然而，传统基于单一评分（如五星制）的推荐系统存在明显局限——当用户从多个维度（如电影的剧情、演技、视觉效果）评价商品时，单维度的评分体系无法捕捉这种复杂的偏好结构。更棘手的是，用户对不同维度的评分往往存在稀疏性和不一致性，例如某用户仅对部分电影的"视觉效果"给出评分。这种多标准推荐系统（Multi-Criteria Recommender Systems, MCRS）面临的挑战，催生了本文的创新研究。

为突破现有技术瓶颈，研究人员提出了名为D-MGAC（Dual Multiview Graph Attention and Contrastive learning）的全新框架。该框架创造性地将多标准推荐问题转化为多边二分图建模任务，每个评分标准对应图中的一类边。通过设计局部-全局双层次的图注意力机制，模型能同时捕捉特定标准下的细粒度特征（如某用户特别关注啤酒的"口感"）和跨标准的全局关联（如"口感"与"香气"的潜在联系）。更引人注目的是，研究者创新性地引入基于锚点的对比学习策略，通过自动识别高相似性节点作为锚点，在无需人工标注的情况下提升嵌入表示的质量。实验证明，在Yahoo!Movies和BeerAdvocate数据集上，D-MGAC的MAE（平均绝对误差）较基线模型最高降低19.3%，尤其在数据稀疏场景下展现出显著优势。这项发表于《Expert Systems with Applications》的研究，为处理多维用户偏好提供了可解释、鲁棒性强的解决方案。

关键技术方法包括：1）多边二分图构建，将每个评分标准映射为独立边类型；2）双视图图注意力网络（MGAT），采用局部注意力（捕捉单标准特征）和全局注意力（整合跨标准信息）的双通路架构；3）锚点对比学习，基于节点相似性自动生成正负样本对；4）L-BGNN（层间二分图神经网络）邻接矩阵优化，增强节点关系建模。所有实验均在真实场景数据集（含用户-物品-多标准评分三元组）上验证。

研究结果部分，论文通过系统性实验验证了各模块的贡献：

1. 双注意力机制有效性：比较D-MGAC与去除全局注意力的变体D-MGAC*，在Yahoo!Movies数据集上，完整模型的MAE降低5.4%（0.6458→0.6105），证明全局注意力对捕捉跨标准关联至关重要。
2. 对比学习的增强作用：当同时移除注意力与对比学习模块（D-MGAC*-），BeerAdvocate数据集上的MAE恶化17.9%（0.4156→0.4903），显示对比学习能有效缓解数据稀疏问题。
3. 多标准协同效应：随着使用标准数量从1增至4，模型性能持续提升，在TripAdvisor数据集上MAE改善7.4%（0.7316→0.6105），验证多维度信息互补的价值。
4. 参数敏感性分析：发现学习率0.01、正则化系数λ=10^-2
   时达到最优，MAE波动幅度<3%，表明模型具备良好的超参数鲁棒性。

结论部分指出，D-MGAC通过三大创新点推动了MCRS领域发展：首先，多边图建模首次将离散评分标准转化为连续嵌入空间中的几何关系；其次，双注意力机制实现了细粒度特征与全局语义的协同优化；最后，无监督对比学习大幅降低了对标注数据的依赖。这些突破不仅为推荐系统提供了新范式，其建模思想还可迁移至社交网络分析、生物医学关系挖掘等需要处理多维关系的领域。作者特别强调，未来工作将探索动态标准权重分配机制，以适应用户偏好随时间演化的特性。