动态异构图与多视角对比学习驱动的跨域序列推荐方法DHT-MVC4Rec

《Array》：DHT-MVC4Rec: A cross-domain sequence recommendation approach based on dynamic heterogeneous graphs and multi-view contrastive learning

　　

在确保可靠知识迁移的同时，对异构跨域交互进行建模仍具有挑战性。现有方法往往简化跨域关系并忽视时间演化，这削弱了对细粒度协同信号的利用，并导致用户表示僵化。研究人员提出了DHT-MVC4Rec，这是一种基于动态异构图_G和多视角对比学习_CL的跨域序列推荐框架。该模型在跨域数据上构建动态异构图，并通过随时间更新边权重以捕捉长期偏好演化。它进一步将序列建模与多视角对比监督相结合，在保留领域特定特征的同时增强跨域对齐。在多个跨域任务上的实验表明，DHT-MVC4Rec始终优于强大的基线模型，平均分别将NDCG@10和HR@10提高了7.588%和7.36%。未来工作将探索具有不同结构属性的动态异构图在不同场景中的应用，以进一步提高泛化能力。

跨域序列推荐（Cross-Domain Sequential Recommendation, CDSR）旨在通过跨多个领域或平台转移和共享用户偏好信号，来改善目标领域的推荐效果。随着多域行为数据的快速增长，CDSR已成为缓解目标域数据稀疏性的重要方向。然而，有效的迁移不仅需要跨领域对齐用户，还需要建模异构跨域交互下偏好随时间的演化。早期的CDSR方法主要基于协同过滤和矩阵分解，但它们难以捕捉高阶依赖关系和时间依赖性。基于深度学习的方法，特别是图神经网络（Graph Neural Networks, GNNs），为编码跨域交互提供了结构化方式，但现有方法往往以相对静态的方式构建跨域连接，且未能显式建模异构关系的时变重要性，导致用户表示僵化，迁移学习效果受限。此外，尽管对比学习已引入以增强表示的判别性，但它通常与跨域异构结构结合不紧密，对域间不一致性敏感。为了填补这些空白，研究人员提出了一种基于动态异构图和多视角对比学习的跨域序列推荐方法DHT-MVC4Rec。该模型将多域行为组织为动态异构图，引入动态边权重更新机制以捕捉长期偏好演化，并结合序列建模与多视角对比监督，以在保留领域特定特征的同时改善跨域对齐，从而实现更可靠和准确的跨域序列推荐。

研究人员开展了DHT-MVC4Rec模型的研究，旨在通过动态异构图和多视角对比学习解决跨域序列推荐中的数据稀疏、偏好动态演化建模不足及跨域特征对齐困难等问题。研究得出的结论是，DHT-MVC4Rec在多个跨域任务上显著优于现有基线模型，平均提升NDCG@10和HR@10分别为7.588%和7.36%。该研究的意义在于提供了一种能够同时捕捉短期交互波动和长期偏好演化的框架，并通过多视角对比学习增强了模型的鲁棒性和泛化能力。论文发表在《Array》。

作者为开展研究主要使用了以下关键技术方法：基于亚马逊评论2023数据集（Amazon Reviews 2023）中的“Video_Games”、“Movies_and_TV”和“Toys_and_Games”三个子数据集作为样本队列来源；构建源域和目标域的动态异构图，引入时间窗口聚合交互；设计混合衰减函数（结合指数衰减和S型衰减）更新边的动态权重以反映时间演化；采用多头注意力机制进行消息传递；构建全局异构图作为统一参考视图；实施源域与目标域的多视角对比学习，包括引入正则化项防止过拟合；使用子图采样处理图稀疏性问题。

研究结果部分：
1. 动态异构图构建
研究人员通过提取用户历史行为数据的时间戳，为每个用户在每个时间戳构建源域和目标域的动态异构图。引入长度为$\Delta t$的时间窗口，聚合窗口内的交互并按时间排序。构建了全局异构图作为多视角对比学习的统一参考视图，将源域和目标域视图对齐到统一的嵌入空间。
2. 采样策略与消息传递机制
研究人员采用跨域相同物品的嵌入作为正样本，最大化其相似度；采用随机负采样选择未交互物品作为负样本。为解决图稀疏性导致的消息传递效果下降，研究人员采用子图采样技术保留关键结构信息，并结合多头注意力机制聚焦子图中相关节点，提升GNN捕获复杂用户-物品关系的能力。
3. 动态边权重更新机制
研究人员提出了一种混合衰减函数，结合指数衰减捕捉短期行为快速变化，结合S型衰减建模长期偏好平滑转移。通过标准化处理时间差和权重，最终通过加权多头注意力机制计算边权重，并动态更新邻接矩阵，以自适应地重新加权随时间变化的交互。
4. 域多视角对比学习
研究人员将源域图、目标域图和全局图投影到统一空间。源域和目标域嵌入通过MLP映射到同一空间，与全局图嵌入进行对比学习。源域损失函数采用交叉熵，最大化正样本相似度并最小化负样本相似度。目标域损失函数引入正则项以控制过拟合。偏好对比损失函数最大化源域和目标域之间的共同信息。
5. 可扩展性与复杂度分析
研究人员分析了模型的复杂度，指出DHT-MVC4Rec在图构建、编码和对比学习方面的时间和空间复杂度与PinSage和LightGCN处于同一数量级，表明模型具有良好的可扩展性，适用于大规模真实数据集。

讨论部分总结：
研究人员在Amazon Reviews 2023数据集的三个子域组合上进行了实验，使用NDCG@10和HR@10作为评估指标。实验结果显示，DHT-MVC4Rec在所有三个跨域任务上的NDCG@10均表现最佳，相比各任务的最优基线模型，NDCG@10分别提升了2.081%、8.577%和4.341%，HR@10分别提升了4.203%、1.441%和3.911%。对比分析表明，基于对比学习的方法优于传统基线，Transformer-based序列推荐模型具有较强的竞争力，而关系聚合模型在序列偏好建模方面存在不足。消融实验进一步验证了动态边权重更新机制、多任务损失函数设计（特别是源域和目标域对比学习及偏好知识迁移的差异化设计）以及正则化项对模型性能的重要性。特别是移除动态边权重更新机制导致性能大幅下降，证明了其捕捉用户长期行为偏好演化的有效性。参数分析显示，混合衰减函数中的$\beta$参数在0.45至0.6之间时模型表现最佳，$\mu$参数设为0.55左右效果最优。时间窗口大小实验表明，窗口过小会导致短期噪声影响显著且训练时间增加，窗口过大则忽略细粒度动态变化且计算效率降低，窗口大小在3到6之间时模型性能最佳。

结论部分：
研究人员总结，提出的DHT-MVC4Rec模型通过构建融合跨域用户-物品交互数据的动态异构图，设计了动态边权重更新机制，融合时间衰减函数与用户交互得分质量，通过动态注意力机制为边分配自适应权重，实现了短期交互特征捕获和跨域长期兴趣建模的协同优化，量化了不同时期行为对当前偏好的差异化贡献。此外，通过多视角对比学习策略，从跨域交互图拓扑和全局图视角分别生成增强嵌入，缓解了数据稀疏的影响，并通过最大化视图间一致性损失和显式对齐源域和目标域之间的潜在偏好分布差异，增强了模型对噪声干扰的鲁棒性。实验表明DHT-MVC4Rec相比当前最先进的基线模型取得了良好结果。研究也指出，由于数据集大和算法复杂，训练时间长且对图形卡算术要求高是当前的局限性。下一步研究将聚焦于设计基于现有模型的轻量级网络结构，以优化算术需求并提高训练效率。