基于多视图图谱的对比学习方法在用户-物品交互稀疏情况下的推荐系统应用

《Expert Systems with Applications》:Multi-view graph contrastive learning for recommendations with sparse user-item interactions

【字体: 大 中 小 】 时间:2026年04月14日 来源:Expert Systems with Applications 7.5

编辑推荐:

  针对稀疏用户-项目交互推荐系统性能下降问题,本文提出多视角图对比学习框架(MVGCL),融合用户侧嵌入传播与结构扰动、项目侧知识图谱与相似性互补视图,以及全局双向对比学习策略,有效提升语义一致性和模型鲁棒性。实验表明,MVGCL在Book-Crossing、Last.FM和MovieLens-1M等数据集上显著优于16种基线方法,尤其在极端稀疏场景下仍保持高性能。

  
牛雅静|马燕|陈茂|彭希成
中国华中师范大学教育大数据国家工程研究中心,武汉430079,中华人民共和国

摘要

基于图的推荐系统在用户-物品交互稀疏的情况下通常会遇到严重的性能下降问题。为了解决这一挑战,我们提出了一个多视图图对比学习框架,该框架联合利用用户级、物品级和全局级的信号来学习在稀疏用户-物品交互下的鲁棒表示。具体来说,在用户层面,我们通过图神经网络中的嵌入传播和结构扰动来改进偏好建模。在物品层面,我们构建了两个互补的视图——一个来自知识图的结构视图和一个基于物品间相似性的语义视图——以增强语义一致性。在全局层面,我们引入了一种新颖的双向对比目标,通过用户-物品和物品-用户对比对来捕捉高阶协同信号,并通过非对称高斯加权策略来抑制噪声或无信息的负样本,从而减轻梯度不稳定并提高区分度。在三个具有不同稀疏程度的基准数据集——Book-Crossing、Last.FM和MovieLens-1M上进行的广泛实验表明,MVGCL始终优于16种最先进的基线方法。一个案例研究进一步证实了其在极端数据稀疏情况下增强的语义一致性、准确性和可解释性。

引言

在信息爆炸的时代,个性化推荐系统对于提升用户体验和减轻信息过载变得不可或缺。通过利用用户行为(Cheng等人,2016年)、社交网络(Jamali和Ester,2010年)和物品特征(Zhen等人,2009年),这些系统提供了符合个人偏好的定制内容——不仅便于获取相关信息,还增强了市场份额、竞争力和盈利能力。因此,它们被广泛应用于各种平台,包括新闻门户、社交媒体(Boeker和Urman,2022年;Liao等人,2021年)、电子商务平台(Du等人,2013年;Linden等人,2003年)以及其他在线服务(Hu等人,2020年;Khalid等人,2022年)。
传统的推荐方法,包括协同过滤(Breese等人,2013年)、矩阵分解(Koren等人,2009年)和基于内容的方法(Balabanovi?和Shoham,1997年),已在各个领域证明了其有效性。协同过滤利用用户或物品的相似性,矩阵分解模型模拟潜在的用户偏好,而基于内容的方法根据属性将用户与物品匹配。然而,这些方法面临数据稀疏、冷启动问题和有限的可解释性(Wang等人,2017年;Zhu等人,2019年)等挑战。
为了解决这些问题,基于图的方法,特别是知识图(KG),受到了越来越多的关注。KG提供了实体及其关系的结构化语义表示,通过将实体和关系嵌入到统一的语义空间中,提高了推荐准确性和可解释性(Huang等人,2018年;Wang等人,2020年)。同时,图神经网络(GNN)的出现为从图结构化数据中学习提供了强大的工具(He等人,2020年;Wang等人,2019c)。通过多层消息传递和聚合,GNN有效地揭示了反映复杂用户偏好的高阶交互模式。
尽管如此,基于图的推荐系统仍然面临着稀疏交互和噪声或冗余关系的问题。在这种情况下,对比学习通过汇集正样本并分离负样本显示出潜力,从而在无监督设置中提高了语义区分度(Qiu等人,2020年;Sun等人,2019年;You等人,2020年)。然而,许多对比框架忽略了辅助的上下文信号和潜在的关系结构。
最近的研究越来越多地关注多视图对比学习,作为一种通过对齐互补视角来丰富表示的方法。核心思想是在数据的不同视图之间进行对比学习,从而产生更鲁棒、信息丰富且语义多样的表示。例如,Hassani和Khasahmadi(2020年)利用图中的多层次结构信息有效地捕捉了高阶语义关系。Li等人(2025年)提出了一个基于掩码扩散的对比学习框架,从全局和局部视角生成视图,显著提高了模型的泛化能力。更近期地,Li等人(2026年)通过将分层感知的扩散模型与知识图结合,进一步推进了多视图对比学习,从而在推荐系统的背景下提高了性能和可解释性。
然而,现有模型往往无法从极端稀疏的交互中提取足够的信号,导致在数据稀缺的情况下性能显著下降。此外,在多跳传播过程中,无关或冗余的语义噪声可能会渗透到嵌入空间中,损害其结构完整性并削弱用户和物品之间的语义对齐。
受这些挑战的启发,我们提出了MVGCL(多视图图对比学习),这是一个专为极端数据稀疏情况下的推荐场景设计的新型框架。MVGCL联合利用三个互补的视角——用户视图、物品视图和全局视图——来丰富表示学习。在用户视图中,它改进了用户嵌入,以更好地捕捉有限的交互中的偏好。在物品视图中,它加强了潜在的物品-物品关系并增强了物品间的语义一致性。在全局视图中,该框架捕捉高阶协同信号来模拟间接的用户-物品亲和力,从而保留了结构信息并减轻了数据稀疏引起的语义退化。
主要贡献如下:
  • •
    提出了一种多视图对比学习框架。在用户层面,我们设计了一种双视图对比机制,将嵌入传播与图神经网络中的结构扰动结合起来,即使在极端数据稀疏的情况下也能有效捕捉高阶邻域语义。在物品层面,我们整合了两个互补的视图——一个来自知识图的结构视图和一个基于物品间相似性的语义视图——并通过对比学习优化它们的对齐,以增强物品表示中的语义一致性。
  • •
    提出了一种全局双向对比学习策略,用于模拟用户和物品之间的高阶协同信号。为了减轻噪声负样本的不利影响,我们引入了一种非对称高斯加权方案,该方案能够自适应地强调困难负样本,同时抑制无信息的样本。这提高了学习表示的可区分性和语义一致性。
  • •
    在三个具有不同稀疏程度的公共数据集——Book-Crossing、Last.FM和MovieLens-1M上进行的实验表明,所提出的MVGCL模型优于16种最先进的算法。值得注意的是,在高度稀疏的Book-Crossing数据集上,MVGCL分别实现了0.7908的AUC值和0.7158的F1分数,始终优于现有方法。此外,一个案例研究揭示了该模型在稀疏交互场景下的推理路径,强调了其在实际应用中的强大语义建模能力和可解释性。
  • 部分摘录

    知识感知推荐

    基于KG的推荐方法大致可以分为三类:基于嵌入的、基于路径的和基于GNN的方法。这些方法的核心思想是利用KG中的丰富语义关系和实体来丰富用户和物品的表示。
    基于嵌入的方法将实体和关系表示为低维向量,捕捉结构模式以增强推荐语义。例如,DKN(Wang, Zhang, Xie等人,2018年)采用了深度神经网络

    问题定义

    给定一个用户集U={u1,u2,?,um}V={v1,v2,?,vn}(其中m和n分别是用户和课程的数量),一个表示用户-物品交互的二元矩阵Y,以及一个捕捉物品间语义关联的知识图G,本研究的目标是通过以下预测函数来预测用户u对物品v的潜在偏好:y^uv=fu,v|Θ,Y其中Θ表示可训练的模型参数。具体来说,如果用户u和物品v之间存在交互

    框架架构

    为稀疏用户-物品交互设计的推荐框架如图1所示。它包括四个关键组件:用户侧对比学习模块、物品侧对比学习模块、全局对比学习模块和预测模块。
    用户侧对比学习模块采用图神经网络的嵌入传播策略,并引入结构扰动来生成双视图。对比学习在

    实验和结果

    我们在实验中关注以下四个问题:
  • RQ1:所提出的框架是否能在各种类型的推荐方法中超越现有的最先进推荐模型?
  • RQ2:所提出框架的各个组成部分是否对整体性能有贡献?
  • RQ3:不同的超参数配置如何影响模型的性能?
  • RQ4:所提出的框架在数据稀疏程度不同的情况下表现如何?
  • 在以下

    案例研究

    为了评估MVGCL在现实世界中稀疏用户-物品交互场景下的适用性和研究价值,选择了Book-Crossing数据集作为实验基准。该数据集在交互记录和用户活动方面都表现出显著的稀疏性。具体来说,62.3%的反馈实例对应于零评分,突显了正面用户-物品交互的有限存在。此外,如图10所示,用户-物品交互的分布

    结论

    为了解决基于图的推荐系统在稀疏交互场景下的表示限制,我们提出了一个MVGCL框架,该框架整合了多视图对比学习来增强用户和物品表示的语义表达能力和鲁棒性。具体来说,对于用户建模,该框架结合了图神经网络和结构扰动技术来构建双视图高阶交互结构。然后应用对比学习

    未引用的参考文献

    Li等人,2025年;Wang等人,2019b年;Wang等人,2024a年。

    CRediT作者贡献声明

    牛雅静:方法论、资金获取。马燕:软件。陈茂:资金获取、写作——审稿与编辑。彭希成:写作——审稿与编辑。

    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

    本工作得到了国家自然科学基金的支持,项目编号为62577030和62077019。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      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