DPRec：一种基于双路径偏好演化的知识图谱推荐框架，具备语义对齐功能

《Neural Networks》：DPRec: A Dual-Path Preference Evolution Framework with Semantic Alignment for Knowledge Graph Recommendation

　　摘要
尽管基于知识图的推荐系统最近取得了显著进展，但仍存在几个关键挑战。首先，大多数现有方法将用户偏好视为静态的，未能捕捉它们随时间的语义演变。其次，许多图神经网络模型依赖于统一的关系聚合，忽略了语义重要性的差异，增加了过度平滑的风险。此外，现有的对比学习方法主要通过随机扰动生成样本来强调结构一致性，这忽略了偏好层次，可能导致语义不一致性。为了解决这些限制，本文提出了DPRec，一个具有语义对齐的双路径偏好演化框架，用于知识图推荐。DPRec通过直接和间接的偏好路径扩散共同捕获多跳用户兴趣，结合了偏好演化注意力机制以实现自适应的语义聚合，并采用多级对比学习框架来对齐偏好级和路径级的表示。这些组件共同解决了知识图推荐的三个关键方面，即用户偏好建模、动态偏好演化和语义对齐，从而克服了现有方法的局限性。在多个公共数据集上的全面实验表明，DPRec在AUC、F1、Hit@K和NDCG@K方面始终优于现有基线。这些结果证明，双路径偏好推理能够产生更准确、语义一致且基于知识的推荐。

引言
随着数字技术的普及，互联网经历了重大变革。包括电子商务网站、音乐流媒体服务和社交媒体网络在内的各种在线平台每天产生大量内容。因此，用户常常难以发现符合自己兴趣的信息。推荐系统（RSs）通过分析用户行为和偏好来提供个性化推荐，成为这一挑战的有效解决方案（Adomavicius, Tuzhilin, 2005; Zhang, Yao, Sun, Tay, 2019）。因此，它们减少了信息过载并改善了整体用户体验。早期的RSs主要依赖于基于内容的过滤（CBF）和协同过滤（CF）（Adomavicius和Tuzhilin, 2005）。CBF根据项目属性和用户的历史行为估计项目相似性，假设用户更喜欢具有相似特征的项目。相比之下，CF利用用户-项目交互和邻域相似性来识别具有相似兴趣的用户并生成推荐（Koren, Bell, Volinsky, 2009; Sarwar, Karypis, Konstan, Riedl, 2001）。矩阵分解（MF）后来通过将用户和项目投影到共享的潜在空间中提高了可扩展性，有效地建模了隐式偏好信号。因子机（FMs）进一步通过在一个统一的因子化框架内建模成对特征交互，在稀疏条件下表现出很强的鲁棒性（Rendle, 2010）。尽管有这些进步，传统的推荐方法仍然严重依赖显式评分或密集的交互数据，难以捕捉用户、项目及其相关实体之间的丰富语义关系。因此，在稀疏数据和冷启动场景下，它们的性能大幅下降（Koren, Bell, Volinsky, 2009; Lika, Kolomvatsos, Hadjiefthymiades, 2014）。因此，将外部语义知识纳入RSs已成为解决这些限制的重要方向。

知识图（KGs）已成为外部语义信息的有效来源。通过将实体和关系组织为结构化的三元组，KGs提供了丰富的上下文知识和高阶连接性，减轻了数据稀疏性，同时提高了推荐的鲁棒性和可解释性（Guan等人，2025）。现有的基于KG的推荐方法通常可以根据KG信息的使用方式分为两类：基于传播的方法和基于路径推理的方法（Guo等人，2020）。基于传播的方法将邻域信息聚合到低维嵌入中，以捕获多跳语义关系（Liu, Yang, Xu, Miao, Wu, Zhang, 2021; Wang, Huang, Wang, Yuan, Liu, He, Chua, 2021a）。路径推理方法则遍历关系路径，并使用强化学习或概率推理来估计语义相关性，尽管计算复杂度增加，但提供了更好的可解释性（Cui, Chen, Cui, Liu, Liu, Xu, Yin, 2022; Geng, Fu, Tan, Ge, de Melo, Zhang, 2022）。尽管基于KG的方法显著丰富了语义信息，但它们建模复杂关系结构和高阶依赖性的能力仍然有限（Wang等人，2022）。图神经网络（GNNs）的最新进展为在图结构化数据上建模用户-项目交互提供了有效框架。通过消息传递和邻域聚合，GNNs捕获了高阶协作信号和上下文依赖性，产生了更具表现力和可解释性的表示（He, Deng, Wang, Li, Zhang, Wang, 2020; Wu, Wang, Feng, He, Chen, Lian, Xie, 2021）。为了提高在大图上的可扩展性和泛化能力，最近的研究引入了归纳学习框架和邻域采样策略，以实现高效的信息传播（Hamilton, Ying, Leskovec, 2017; Ying, He, Chen, Eksombatchai, Hamilton, Leskovec, 2018）。时间扩展模块进一步捕获了序列和时变用户偏好（Chang, Gao, Zheng, Hui, Niu, Song, Jin, Li, 2021; Huang, Ma, Liu, Du, Wang, Li, 2023），而注意力机制和多视图架构通过自适应地加权相邻节点并集成多种上下文信息来源来改进表示学习（Faroughi, Moradi, Jalili, 2025; Wang, Zhu, Zang, Wang, Liu, Ma, 2023）。总的来说，这些发展将基于GNN的RSs从预测准确性扩展到了改进的推理能力、可解释性和可扩展性。基于这些进展，研究人员将GNNs与KGs集成起来，开发出知识增强的推荐框架。通过结合外部语义结构和元路径关系，这些混合模型产生了更丰富的表示和更强的推理能力。然而，它们仍然面临诸如偏好稀释、过度平滑和在复杂异构图中的有限语义适应性等挑战（Liu和Yang, 2023）。最近，自监督学习（SSL）和对比学习（CL）被引入基于图的推荐中，以减轻数据稀疏性、噪声交互和暴露偏差。多视图对比框架对齐图、超图和异构表示，以学习更强大的嵌入（Chen, Huang, Xia, Wei, Xu, Luo, 2023; Yu, Xia, Chen, Cui, Hung, Yin, 2023）。此外，基于知识的、社交的和多通道的扩展提高了个性化（Liu, Yang, 2023; Yang, Huang, Xia, Li, 2022），而去纠缠和去偏差技术则在稀疏反馈下增强了鲁棒性（Mao, Zhu, Wang, Dai, Dong, Xiao, He, 2021; Ren, Xia, Zhao, Yin, Huang, 2023）。这些进展代表了从完全监督的推荐流程向具有更强泛化能力的自监督图表示学习的转变（Yu, Xia, Chen, Cui, Hung, Yin, 2023; Yu, Yin, Xia, Chen, Cui, Hung, 2022）。尽管有这些进步，仍存在几个重要挑战。首先，现有的基于KG的推荐模型主要依赖于知识传播来丰富用户和项目表示，而在语义传播过程中用户偏好的动态演化尚未得到充分探索（Wang, Zhang, Wang, Zhao, Li, Xie, Guo, 2018; Wang, He, Cao, Liu, Chua, 2019c; Wang, Huang, Wang, Yuan, Liu, He, Chua, 2021a）。实际上，用户兴趣会随时间和上下文变化，需要更自适应的偏好建模（Huang等人，2023）。其次，尽管基于GNN的推荐方法能够进行高阶信息聚合，但它们往往无法区分异构邻域信息的不同语义重要性。因此，在传播过程中可能会积累不相关的信号，削弱个性化的偏好表示（He, Deng, Wang, Li, Zhang, Wang, 2020; Wang, He, Cao, Liu, Chua, 2019c; Wang, He, Wang, Feng, Chua, 2019d）。第三，现有的CL方法主要强调结构一致性（Wu, Wang, Feng, He, Chen, Lian, Xie, 2021; Yu, Yin, Xia, Chen, Cui, Hung, 2022），同时忽略了偏好级的语义对齐。大多数方法通过随机扰动生成正面和负面样本，忽略了细粒度的偏好语义，可能产生结构上一致但语义不匹配的表示（Wang, Liu, Han, Shi, 2021b; Yang, Huang, Xia, Li, 2022）。为了解决这些挑战，我们提出了DPRec，一个新颖的KG推荐框架，它联合建模了多源用户偏好及其在多跳语义传播过程中的动态演化。具体来说，DPRec引入了一种双路径推理机制，将用户偏好分离为两个互补的部分：一个来自用户-项目交互的直接偏好集，另一个来自协作用户关系的间接偏好集。这些互补的偏好集作为在KG上进行多跳语义传播的基础，使模型能够在个体和协作语义空间中进行推理。为了捕捉不断演变的用户兴趣，DPRec进一步结合了偏好演化注意力机制，在每个传播层动态更新用户偏好表示，同时根据语义相关性自适应地加权相邻实体。这种分层注意力机制强调了高度相关的语义信息，并抑制了噪声信号，产生了更准确的用户偏好表示。最后，DPRec通过双视图InfoNCE目标整合了偏好级和路径级的CL，以对齐结构和语义表示，从而在稀疏和噪声条件下提高语义一致性并增强鲁棒性。

本研究的主要贡献总结如下：
• 双路径偏好中心的知识扩散：我们提出了一个双路径扩散框架，从互补的直接和间接偏好集初始化语义传播。通过推理个体和协作语义空间，该框架学习了更丰富和更具表现力的用户偏好表示。
• 偏好演化和注意力聚合：我们开发了一种偏好演化注意力机制，在图传播过程中动态更新用户偏好表示，并自适应地加权相邻实体，减少噪声同时提高语义相关性。
• 多级对比学习：我们引入了一个统一的CL框架，联合建模偏好级和路径级的一致性。通过双视图InfoNCE目标将用户偏好与语义路径对齐，该框架在稀疏和噪声条件下加强了语义对齐并提高了表示的鲁棒性。
• 全面评估：在多个公共数据集上的广泛实验表明，DPRec在AUC、F1和Hit@K方面始终优于最先进的基于KG和GNN的推荐模型，验证了其有效性和可解释性。

传统推荐方法
传统推荐方法主要依赖于CBF和CF来捕获用户偏好。Sarwar等人（2001）提出了一种基于邻域的算法，根据用户或项目相似性预测用户偏好。在此基础上，Koren等人（2009）引入了一个MF框架，将用户和项目投影到共享的潜在空间，并通过SVD++进一步增强了它，引入了隐式反馈。Rendle（2010）随后使用FMs推广了这一想法，对成对特征进行了建模。

问题表述
我们制定了如下利用外部知识的个性化推荐问题。设??={??1,??2,?,????}为用户集合，?={??1,??2,?,????}为项目集合。用户和项目之间的历史交互可以表示为一个二元矩阵??=[???????]∈???×??，其中???????={1，如果用户??与项目??有交互；0，否则。每个正面交互（???????=1）表示用户u对项目i表现出行为偏好。由于反馈数据的稀疏性，很难全面...

整体框架
图2展示了所提出的DPRec模型的总体架构，它包括以下关键组件：(A) 双路径偏好扩散模块；(B) 用户偏好交互编码模块；(C) 偏好演化注意力聚合；(D) 偏好级对比；(E) 路径嵌入模块；(F) 路径级对比；(G) 最终预测。所提出的框架将用户-项目交互与KG语义结合，以联合建模显式和隐式用户偏好。

实验设置
所有实验都在Python 3.9.21、PyTorch 2.1.1框架和CUDA 12.1下进行，以确保一致性和可重复性。为了优化我们模型的关键超参数，我们对预定义的候选集进行了网格搜索。具体来说，如图3所示，学习率从{2×10?3, 4×10?3, 6×10?3, 8×10?3, 1×10?2}中选取，其中4×10?3在所有数据集上获得了最佳的验证性能。对于正则化系数，我们在{10?3, 10?4, 10?5, msup}范围内搜索。

结论和未来工作
在本文中，我们提出了DPRec，一个具有语义对齐的双路径偏好演化框架，用于KG推荐。该模型旨在解决现有基于KG的推荐方法的局限性，这些方法通常受到偏好稀释、噪声传播和用户行为与关系结构之间语义对齐不足的影响。DPRec利用双路径偏好扩散机制实现了用户直接和间接偏好的细粒度建模。

CRediT作者贡献声明
Xu Weihua：验证、监督、项目管理、方法论、调查、资金获取、概念化。Yin Linxi：撰写——原始草稿、可视化、软件、调查、正式分析、数据管理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢
这项工作部分得到了中国国家自然科学基金（项目编号62376229）和重庆市自然科学基金（项目编号CSTB2023NSCQLZX0027）的支持。