ASIR：通过中介相似度视角对齐社交图谱与交互图谱以进行社交推荐

《Neurocomputing》：ASIR: Aligning social and interaction graphs for social recommendation via a mediated similarity view

　　

摘要：社交推荐系统由于社交关系与兴趣相似性之间的不匹配，面临跨域图结构不一致（Cross-Domain Graph Structure Inconsistency, CGSI）问题，导致社交信息注入过程中出现噪声放大和性能下降。现有方法要么局限于社交图内部的清理，要么尝试在特征层面协调两个领域，但两者都缺乏独立的结构化参考来引导跨域语义对齐，难以从根本上解决CGSI问题。为此，本文提出了一种"桥接而非混合"的跨域融合新范式，并设计了中介相似视图桥接框架（ASIR）。其核心创新在于首次引入基于交互行为诱导的K近邻（KNN）相似图作为独立的中介相似视图（SIMs），构建了"交互图→SIM→社交图"的桥接传播路径，实现了图结构层面的跨域语义翻译。在Douban、Epinions和Yelp2018数据集上的实验表明，ASIR在Recall、NDCG和Precision指标上显著优于13种基线方法，且其提升幅度与CGSI强度呈严格正相关；消融实验验证了中介相似视图和对比对齐的核心贡献。本文不仅提出了一种有效的社交推荐模型，还提供了一种"桥接而非混合"的通用建模方法。

引言：社交推荐系统的核心假设是社交关系能够反映用户兴趣的相似性，从而弥补用户-物品交互信号的稀疏性。这一假设推动了大量关于社交图与交互图融合的研究[1,2,3,4,5,6,7,8]。然而，实证研究[9,10,11,12,13]表明该假设并不稳健，用户的社交好友与兴趣相似用户之间存在系统性错位。本文将此定义为跨域图结构不一致（CGSI），即社交图与交互图之间在邻域语义和拓扑结构上的系统性偏移。盲目注入社交关系会沿着GNN的高阶传播路径放大噪声，导致负迁移和性能退化。CGSI本质上是一个缺乏跨域语义映射的结构问题，而非简单的噪声。

为验证CGSI的普遍性和严重程度，本文对三个公开数据集（Epinions、Douban和Yelp2018）进行了统计分析（图1）。在Epinions中，93.0%的社交边存在零重叠，97.4%的用户其社交邻域和兴趣邻域存在零交叉。Douban和Yelp2018的零交叉率分别为94.4%和78.8%。此外，交互数据的长尾分布加剧了CGSI的影响——Yelp2018中47.6%的用户交互次数少于10次，表明偏好邻域估计不稳定。这表明"社交即相似"的假设无效；直接融合两个图会将结构错位注入偏好表征，而非补充有效信息。

现有针对CGSI的研究主要分为两条路径，均未触及本质。第一条路径是社交图内部净化（如SHaRe[9]、DSL[10]等），通过图重连和边过滤移除噪声边。但该路径假设噪声仅存在于社交图中，无法解决两个领域固有的语义偏移。即使社交边是真实的，仍然存在结构冲突。第二条路径是跨域协调，细分为表示解耦、视图重构和传播层门控三类技术。这些方法都缺乏独立的结构化引用来引导语义对齐。表示解耦方法（如DcRec[14]）分离了兴趣和社交因子，但缺乏结构约束导致噪声残留。视图重构方法（如CLSRec[15]）利用交互语义修正社交结构，但交互稀疏时可靠性下降。传播层门控方法（如HDSR[16]）动态过滤社交信息，但门控信号依赖于原始双域数据，在CGSI显著时容易波动。现有方法均在"双域混合"中被动协调。由于缺乏兴趣同构的独立结构化参考，无法从根本上解决CGSI。

基于此，本文提出核心论点：解决CGSI的关键在于在图结构层面建立跨域语义翻译桥梁，而非过滤社交噪声。受结构化信息瓶颈理论[17,18,19]启发，本文将问题形式化为：从双域图中提取对推荐任务"最小且充分"的跨域共享结构，同时抑制领域特定噪声。这需要回答三个问题：翻译锚点、桥接构建和稳定性保证，分别对应兴趣同构的结构化参考、结构层面的跨域映射以及显式语义一致性约束。

本文提出中介相似视图桥接框架（ASIR）。其核心创新在于引入交互诱导的K近邻（KNN）相似图作为独立的中介相似视图（SIM），构建了"交互图→SIM→社交图"的桥接传播路径，将跨域融合从"结构混合"转变为"语义桥接"。关键设计特征包括：1) 利用交互诱导的Jaccard相似图构建作为对齐桥梁的SIMs；2) 在三个视图间施加跨视图对比对齐约束；3) 设计跨域一致性门控模块以动态调整社交信息注入强度；4) 联合优化排序和结构学习任务。

本文的主要贡献体现在四个方面：(1) 问题层面：首次在多个数据集上量化了CGSI的普遍性和严重程度，使用零重叠（ZeroOverlap）和零交叉（ZeroCross）等指标，阐明其本质为缺乏跨域语义映射，为问题提供了新视角。(2) 范式创新：提出了"桥接而非混合"的新跨域融合范式，首次引入独立的中介相似视图，在图结构层面实现跨域语义翻译，突破了传统方法的局限。(3) 机制设计：通过结构化桥接、自适应门控融合和跨视图对比对齐的协同设计，确保了跨域融合的双鲁棒性。(4) 实验验证：系统实验证实ASIR在Recall、NDCG和Precision等指标上优于基线方法，尤其在交互稀疏和CGSI显著的场景下，为现实社交推荐的瓶颈提供了可行方案。

片段："从结构清洗到语义错位"：单域方法的局限性

一类研究聚焦于社交图内部的结构清洗，试图通过图结构优化来降低噪声影响。SHaRe[9]采用图重连策略，添加高亲和力边并移除低亲和力边；DSL[10]通过自监督信号过滤无关的社交连接；GDMSR[11]引入偏好引导的图去噪；GBSR[20]结合信息瓶颈理论精炼社交图结构。

记号与数据结构

设用户集为U，物品集为I。给定一组用户-物品交互记录R和一组用户-用户社交关系S，本文构建三个功能互补的图视图，为跨域结构对齐和去噪提供基础：

- 用户-物品交互图（UI）：G_UI=(U∪I,E_UI)，这是一个无向二部图，用于捕获用户-物品协同信号。
- 用户社交图（SOC）：G_SOC=(U,E_SOC,W)，这是一个有向加权图。有向边(u,v)表示用户...

方法概述

如引言所述，CGSI源于社交图与交互图之间邻域语义的不匹配，原因是缺乏跨域对齐的兴趣同构结构参考。为解决此问题，ASIR采用"桥接而非混合"范式，提出三个问题：Q1：翻译锚点从何而来？Q2：如何在结构层面实现跨域语义翻译？Q3：如何保证桥接的稳定性？

数据集

我们在三个公开基准数据集——Douban[27]、Yelp2018[28]和Epinions[11]——上评估模型性能，这些数据集被广泛用于社交推荐研究[28,29,30]。这些数据集展现出不同程度的跨域图结构不一致（CGSI）（如图1所示），从而能够全面评估模型在异构场景下的有效性。

遵循常见实践，我们对所有数据集应用5-core过滤，保留...

整体性能比较

为系统验证ASIR的有效性，我们在Douban、Epinions和Yelp2018三个数据集上与四类共13种基线进行全面比较。实验结果如表2所示，表明ASIR在所有指标上始终且显著优于所有基线。其优势幅度与跨域图结构不一致（CGSI）的严重程度呈严格正相关，实证验证了核心...

结论

为解决社交推荐中由于"社交关系≠兴趣相似性"原则导致的跨域图结构不一致（CGSI）问题，本文提出了一种"桥接而非混合"的新型跨域融合范式，并设计了ASIR框架。与现有聚焦于"混合"中的"去噪"或"协调"的方法不同，ASIR引入交互诱导的KNN相似图作为独立的中介相似视图（SIMs）来构建...

数据与代码可用性

本文使用的源代码和数据集可在以下地址获取：https://anonymous.4open.science/r/ASIR-DC5C

CRediT作者贡献声明

陈俊辉：撰写——原稿。黄先英：监督。

利益冲突声明

作者声明不存在已知的可能影响本文工作的竞争性经济利益或个人关系。

陈俊辉，男，目前是重庆理工大学计算机科学与工程学院硕士研究生。其主要研究方向为社交推荐，核心研究聚焦于社交推荐中的去噪策略和跨域对齐技术。硕士期间，他在该领域深入研究并积累了社交噪声抑制和跨域特征方面的研究基础。

陈俊辉|黄先英

重庆理工大学计算机科学与工程学院，重庆 400054，中国