摘要
知识图谱增强推荐利用外部知识来刻画物品语义，并缓解稀疏用户 - 物品交互下表示学习的局限性。然而，现有方法未能充分建模物品级协同信号与知识语义之间的对应关系，且大多数图增强策略依赖于随机扰动，无法区分边特定的保留价值。为了解决这些局限性，我们提出了知识稳定性引导的双重图对比学习推荐方法（KSDGCL）。KSDGCL 从用户 - 物品交互图中学习协同表示，从知识图谱中学习知识语义表示，并引入跨图语义对齐目标，以增强同一物品的协同表示与知识语义表示之间的语义对应关系。为了构建信息丰富的增强视图，KSDGCL 通过衡量同一用户 - 物品交互边在知识扰动视图下偏好匹配的一致性来定义边级知识稳定性。由此产生的稳定性分数被转换为边保留概率，以指导增强交互图的构建，从而保留有价值的协同关系。最后，将原始交互图、知识图谱和增强交互图中的多视图表示融合为综合表示用于推荐。在 Amazon-Book 和 LastFM 上的实验显示，Recall@20 指标相比最强基线分别提升了 3.7% 和 5.6%，证明了 KSDGCL 在提高推荐性能方面的有效性。
