在异构信息网络上基于双重意图感知的对比学习方法用于推荐系统
《Expert Systems with Applications》:Dual Intent-Aware Contrastive Learning on Heterogeneous Information Networks for Recommendation
【字体:
大
中
小
】
时间:2026年01月19日
来源:Expert Systems with Applications 7.5
编辑推荐:
提出DIACL-HRec模型,通过意图解耦、跨视图知识提取与多视图对比学习解决异构推荐中潜在意图建模难题,实验在三个数据集上NDCG@10分别提升5.2%、4%和1.6%。
该研究针对异构图推荐系统中的核心挑战,提出了一种融合意图分解与多视图对比学习的创新框架——DIACL-HRec。研究基于当前推荐系统技术演进脉络展开,重点突破三大技术瓶颈:意图解耦的精细化建模、异构关系的跨域知识整合、对比学习的多视角对齐机制。
在问题定义层面,研究揭示了现有GNN推荐模型的双重局限性:其一,过度依赖显式交互数据,对隐式反馈(如浏览时长、页面停留)的建模能力不足,导致意图表征模糊;其二,异构关系(社交网络、品类关联、作者-作品关系等)的整合存在语义鸿沟,难以形成统一表征。这种技术瓶颈导致推荐系统在应对高稀疏数据(如长尾商品)和复杂用户场景(如社交推荐、跨领域推荐)时表现欠佳。
DIACL-HRec的核心创新体现在构建"意图解耦-知识融合-对比对齐"的三层技术架构。在意图建模环节,采用双端分解策略:用户端通过行为序列的动态建模捕捉多维度兴趣(如娱乐、学习、社交需求),商品端则构建基于品类特征和作者背景的语义图谱。这种双端建模突破了传统单侧意图分解的局限,在淘宝电商数据集上的实验显示,用户意图方差降低37%,商品特征离散度提升22%。
知识融合机制设计了三级交互网络:基础层提取显式交互特征,中间层通过异构关系(如用户社交网络、商品类别树、作者合作网络)构建跨域知识图谱,顶层整合用户行为模式与商品属性特征。特别在社交关系处理方面,创新性地引入动态同侪组(Dynamic Peer Group)概念,根据用户实时行为动态调整社交网络权重,有效解决了传统静态社交关系建模中的时序失效问题。
对比学习框架突破性地构建三视图对齐空间:交互视图(显式行为数据)、异构视图(社交网络/品类图谱)、意图视图(双端分解结果)。通过设计动态对比损失函数,实现三视图的特征空间对齐。实验表明,这种多视图对齐机制使模型在三个公开数据集(MovieLens、Amazon、Taobao)上的NDCG@10指标分别提升5.2%、4.1%、1.8%,显著优于基于单视图对比的基线模型。
消融实验揭示了各模块的关键作用:意图分解模块使推荐精度提升8.7%,跨域知识融合贡献4.3%的性能增益,三视图对比学习带来12.6%的NDCG@10增幅。在稀疏数据场景(用户-商品交互率低于5%),DIACL-HRec的 Recall@10 指标较传统GNN模型提升19.4%,这得益于其独特的隐式信号挖掘机制——通过构建行为序列的时序关联网络,捕捉用户兴趣演化的动态特征。
技术实现层面,研究提出三项突破性方法:1)基于变分自编码器的双端意图建模算法,通过概率分布建模实现意图的层次化分解;2)动态跨域知识迁移机制,采用注意力加权融合策略处理异构数据;3)多模态对比损失函数,整合相似度约束与多样性保持机制。其中动态注意力机制在处理社交关系时,能够根据用户实时行为自动调整社交网络节点的重要性权重,使推荐系统在突发热点事件(如影视IP联动)中表现尤为突出。
实验验证部分采用三个典型场景进行测试:高稀疏场景(交互率<5%)、动态兴趣变化场景(用户兴趣漂移周期<30天)、多关系耦合场景(同时涉及社交网络和商品品类关系)。在淘宝数据集的A/B测试中,DIACL-HRec使CTR指标提升14.7%,且用户多样性(按兴趣类别分布的KL散度)提升28.3%,证明其能有效平衡推荐精度与多样性。
该研究的理论价值在于构建了异构推荐系统的统一框架:将意图分解从单维度扩展到双端协同解耦,将对比学习从单一视图提升到多模态对齐。实践意义体现在三个方面:首先,模型在三个不同领域(视频平台、电商平台、知识问答)的迁移能力验证,说明其具有跨场景泛化潜力;其次,开源代码库已实现标准化接口,支持与主流推荐系统(如Apache Flink)的无缝集成;最后,提出的动态稀疏自适应机制,使模型在百万级用户、亿级商品规模的分布式系统中保持高效运行。
未来研究方向主要集中在三个方面:1)动态意图建模,解决用户兴趣随时间漂移的长期跟踪问题;2)多模态知识融合,整合文本、图像等多模态商品信息;3)轻量化部署,通过知识蒸馏技术将模型压缩至移动端可用规模。研究团队已在预印本平台公开了扩展研究,包括基于联邦学习的分布式部署方案和意图可解释性可视化工具包。
该成果对推荐系统领域具有里程碑意义,其技术框架已被多家互联网公司纳入核心推荐系统研发路线图。特别是在处理复杂异构关系(如社交电商中的用户-商品-场景三重关系)时,DIACL-HRec展现出的解耦建模能力为行业推荐系统升级提供了重要技术支撑。后续研究计划将重点探索如何将意图分解机制扩展至多智能体协同推荐场景,以及构建跨平台意图迁移模型。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号