通过扩散引导的隐式图增强技术实现去偏推荐，同时考虑长尾效应

《Neural Networks》：Debiased Recommendation via Diffusion-Guided Implicit Graph Augmentation with Long-Tail Awareness

　　摘要：隐式反馈在推荐系统中被广泛采用，因为它易于收集并且能够覆盖广泛的行为范围。然而，观察到的隐式交互可能包含噪声，受到流行度偏见的影响，并且表现出高度的稀疏性，而未观察到的用户-物品对不能直接被视为负面反馈。这些问题限制了模型学习可靠用户偏好的能力，以及为长尾物品提供有效推荐的能力。因此，本研究提出了一个基于潜在偏好扩散的交互完成图推荐模型，称为PDCGR。具体来说，我们首先设计了一个图引导的潜在偏好恢复过程，该过程利用图结构信息来指导潜在空间的偏好扩散，从而在稀疏的隐式反馈下提高用户偏好表示的鲁棒性。其次，我们开发了一个结合了谱正则化的潜在偏好扩散目标，以防止恢复的表示在少数主导方向上过于集中，从而减少流行度主导模式的影响。此外，我们构建了一个基于扩散的交互完成机制，该机制从严格未观察到的用户-物品对中选择高置信度的候选交互，并为后续的图传播和推荐学习提供额外的关系。在三个公共数据集上的实验结果表明，PDCGR的性能优于代表性的基于图和基于扩散的推荐方法。在所有数据集中平均而言，与最强的基线相比，PDCGR将HR和NDCG分别提高了6.69%和6.50%。此外，我们还进行了广泛的实验，以验证PDCGR可以减少对流行物品的依赖，平衡物品的曝光度，并提高长尾物品的排名质量。

引言：推荐系统对于帮助用户在电子商务、在线视频和社交媒体场景中高效访问相关内容已成为必不可少的工具（Li, Ma, Chu, 2025; Zhou, Ye, Cao, 2024; Zhou, Zhao, Guo, 2025a）。大多数推荐模型依赖于隐式反馈，如点击、浏览记录和购买记录，因为它们易于获取且成本低廉（Hu et al., 2008）。然而，隐式反馈提供了不完整且可能存在偏见的用户偏好表示：观察到的交互受到平台曝光机制和物品流行度的干扰，而不仅仅是反映真实的用户兴趣；而未观察到的交互可能由于曝光不足而不是负面偏好造成的（Li, Liu, Sa, Hou, Sun, Tan, 2026c; Wang, Feng, He, Nie, Chua, 2021）。这种曝光偏见，加上隐式反馈的固有稀疏性，导致了用户-物品交互图中的严重结构不平等。由于平台曝光机制倾向于流行物品，少数头部物品积累了不成比例的观察交互，导致大多数长尾物品的交互稀少且不足。在这样稀疏和偏斜的观察数据上训练的推荐模型往往过度关注反映流行度主导的模式（He, Zhang, Zhang, Liu, 2025a; Kang, Li, Zhou, Xiao, Liu, Xu, 2026; Zhang, Zhang, Ren, 2026），强化了头部物品的主导地位，未能充分捕捉用户对长尾物品的潜在偏好。因此，从稀疏且受曝光偏见影响的隐式反馈中恢复与偏好相关的可靠信号，同时保持整体推荐效用，仍然是缓解流行度偏见的一个基本挑战。

早期协同过滤（CF）方法通过潜在因子分解（Koren et al., 2009）、神经交互建模（He et al., 2017）或去噪自编码器（Wu et al., 2016）来推断用户偏好。然而，这些方法主要模拟直接的用户-物品关联，很大程度上忽略了交互图中编码的高阶协同依赖性。基于图的推荐系统通过将交互表示为用户-物品二分图并执行邻域聚合和多跳传播来解决这个问题，例如NGCF（Wang et al., 2019）及其简化变体LightGCN（He et al., 2020）。最近的研究通过自监督学习（Deng, Wu, Wang, Ye, Wang, Du, 2024b; Hao, Wang, Xiao, Zheng, 2025a; Li, Ma, Chu, 2025; Zhou, Ye, Cao, 2024）、关系感知传播（Tian et al., 2026）、意图感知建模（Tang et al., 2026）、细粒度行为模式感知（Li et al., 2026b）和顺序行为的多任务学习（Wang et al., 2026）进一步丰富了图表示。尽管这些方法在捕获协同信号方面有效，但传统的基于拓扑的传播方法本质上容易受到观察到的交互图偏斜的影响，可能无法充分利用用户-物品交互背后的语义和监督信息。因为在流行度偏斜的结构上进行重复的图传播会不可避免地放大头部物品的连接优势，产生由流行度而非真实用户偏好主导的表示。因此，减轻流行度偏见需要提高长尾物品与偏好相关的连接的可靠性，而不仅仅是沿着原始的流行度偏斜图传播信息。

现有的去偏见方法通过噪声识别（Deng, Wang, Ye, Ji, Wang, 2024a; Zeng, Lu, Zhang, 2025）、硬样本区分（Song et al., 2026）、信息性负采样（Deng, Jin, Zhang, Ye, Wang, Zhang, Khushvakhtzoda, 2026; Zhang, Sang, Cheng, Liu, Zhang, 2025b）、流行度感知正则化（Lin et al., 2025）和去偏见图聚合（Elahi et al., 2025）来减少隐式反馈中的头部物品主导地位。尽管这些方法有效，但它们主要在样本、目标或聚合层面进行干预，同时保留了原始的流行度偏斜的交互图。因此，长尾物品仍然由稀疏的邻域表示，潜在相关但未观察到的连接无法用于协同传播。图增强提供了一种结构性替代方案，通过修改观察到的连接或构建辅助图视图（He et al., 2026）。现有的策略分为通过边删除或添加的随机扰动（Sun et al., 2024）、基于相似性或流行度的启发式增强（Zhou et al., 2025b）、通过边预测器或强化学习的学习型增强（Li, Zhang, He, Li, 2026a; Tang, Zhang, Zhang, Wang, 2026）。然而，常用的随机或启发式扰动无法确保引入的边与用户的潜在偏好对齐，且恢复强度不会根据不同流行度级别的物品进行适应性调整。这些局限性激发了一种隐式图增强机制，该机制可以以长尾感知的方式恢复与偏好相关的可靠连接，并在不同物品流行度级别之间适应性地调整恢复。

扩散模型最近被引入推荐作为迭代生成范式，包括前向扰动和反向去噪（Deng, Wang, Ye, Ji, Wang, 2024a; Wang, Zhu, Wang, Zhao, Li, Yu, Tang, 2024）。现有的基于扩散的方法涵盖了各种应用，包括偏好重建（Wang, Xu, Feng, Lin, He, Chua, 2023; Wen, Yang, Ma, 2026; Xia, Cheng, Tang, Liu, Liu, Wang, Jiang, 2025）、交互去噪（He, Zhang, Li, Li, Zhou, 2026; Li, Xia, Huang, 2024）、表示精细化（Hao, Li, Jiang, 2025b; Yuan, Xiao, Chen, Zhao, Wang, Zhuang, 2025; Zhao, Wang, Xu, Sun, Feng, Chua, 2024）和图结构增强（Cui, Wu, Chen, Zhang, 2025; Zhang, Chen, Zhang, Zhao, Wu, 2025c）。通过逐步重建用户交互概况，反向去噪过程可以生成观察到的交互图中缺失的候选用户-物品连接，为随机或启发式图增强提供了一个可学习的替代方案。随后，层次感知扩散进一步与知识增强的对比学习结合，以在双曲空间中生成任务适应的图视图并过滤语义上不相关的生成样本（Li et al., 2026a）。尽管有这些进步，但一个根本的局限性仍然是：扩散模型通常 optimizing 为了重建经验交互分布，因此反向去噪过程倾向于给频繁观察到的头部物品分配不成比例的高恢复概率（Yang, Zhang, Li, He, Li, Zhou, 2025; Zhao, Xiang, Wu, Guo, 2026; Zheng, Zhao, Cai, Wen, Yuan, 2026）。尽管最近的研究探索了流行度感知的条件指导（He et al., 2025b）和去偏见表示增强（Zhang et al., 2025a），但在迭代交互生成过程中显式控制流行度效应——特别是针对长尾保护的谱正则化——仍然需要深入探索。因此，将谱正则化纳入反向扩散以抑制流行度驱动的恢复，同时保持长尾物品的可靠偏好信号，仍然是一个重要的挑战。

为了应对上述挑战，本研究提出了一个基于潜在偏好扩散的交互完成图推荐模型（PDCGR），以完成用户-物品交互并减轻流行度偏见。首先，我们使用LightGCN对观察到的用户-物品交互图进行编码，捕获高阶协同信号并生成初始的用户和物品表示。其次，这些图增强的嵌入作为条件先验，指导迭代扩散过程，其中通过反向去噪恢复潜在的用户偏好。随后，将谱正则化器纳入反向去噪过程，以限制恢复动态和流行度主导的方向。最后，我们引入了一种基于扩散的完成策略，该策略为未观察到的交互估计匹配分数，并选择性地用高置信度的候选项增强原始图，从而实现可靠的邻域传播以进行推荐。本研究的主要贡献总结如下：

- 提出了一种图引导的潜在偏好生成框架，将基于图的表示学习与基于扩散的偏好建模结合起来。它利用图传播捕获高阶协同信息，并通过去噪过程迭代细化用户表示，从而在稀疏和噪声的隐式反馈下实现可靠的偏好嵌入。
- 开发了一种谱正则化的扩散目标，通过限制沿流行度主导方向的反向去噪来对抗流行度偏见。这种正则化结合了基于扩散的交互完成机制，使框架能够将恢复的偏好转换为有意义的图增强，从而在偏好去噪和结构增强之间建立了闭环协同作用。
- 在三个公共数据集上的广泛实验表明，PDCGR不仅在推荐准确性上优于最先进的基线，而且还实现了更平衡的物品曝光度和更优越的长尾推荐性能。

本研究的其余部分组织如下：第2节介绍扩散模型的基础知识；第3节介绍所提出的方法PDCGR；第4节报告和分析实验结果；第5节讨论实验发现和局限性。最后，第6节总结这项工作。

主题片段：
- 扩散模型是一种基于似然的生成模型（Nichol and Dhariwal, 2021）。其核心思想是在前向过程中逐步向数据中注入高斯噪声，使数据分布逐步接近已知分布，然后在反向过程中学习一个参数化的去噪转换，逐步从噪声状态中恢复目标。核心原理如下。

总体框架：在稀疏的隐式反馈场景下，推荐的有效性经常受到协同信息不足、流行交互主导以及无法在扩散过程中恢复用户偏好的影响。为了解决这些问题，本研究提出了一个基于潜在偏好扩散的交互完成图推荐模型（PDCGR）。所提出的PDCGR模型包括四个组成部分：一个用户潜在空间表示学习模块、一个...

实验：在本节中，我们进行了广泛的实验来评估所提出的PDCGR模型的有效性，并回答以下研究问题：
- RQ1：我们的模型与其他方法相比表现如何？
- RQ2：我们的模型是否成功减轻了流行度偏见？
- RQ3：我们模型的最佳主干架构是什么？
- RQ4：不同的交互完成策略如何影响推荐性能？
- RQ5：每个组件如何影响我们的模型？
- RQ6：我们的模型有多敏感？

讨论与启示：实验结果表明，PDCGR在稀疏隐式反馈下的有效性可以归因于其在利用未观察到的交互和避免引入不可靠信号之间的权衡处理能力。RQ1显示PDCGR在不同规模和稀疏度级别的数据集上始终能够实现具有竞争力的推荐准确性。更重要的是，RQ4揭示了性能提升取决于完成的表示的可靠性。

结论：本研究提出了一种基于潜在偏好扩散的交互完成图推荐模型，称为PDCGR，在稀疏隐式反馈下工作。PDCGR整合了基于图的表示学习、谱正则化的潜在偏好扩散和基于扩散的交互完成，以捕获高阶协同信息，恢复信息丰富的用户偏好表示，并从严格未观察到的用户-物品对中选择高置信度的交互。

作者贡献声明：
Jianmei Ye：写作 - 审阅与编辑、撰写 - 原稿、验证、资源获取、形式分析、概念化。
Anliang Chen：写作 - 审阅与编辑、撰写 - 原稿、可视化、验证、方法论、调查。
Jiangzhou Deng：写作 - 审阅与编辑、验证、项目管理、方法论、资金获取、数据管理。
Zhiqiang Zhang：写作 - 审阅与编辑、软件、调查、资金获取。
Huanyu Chen：利益冲突声明：作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢：本工作得到了中国国家自然科学基金（编号72301050, 62272077和62502059）、重庆市教育委员会科技研究计划（编号KJZD-M202400604和KJQN202500640）以及中国教育部人文社会科学项目（编号23YJC630215）的支持。