MEFCL:面向图推荐的可靠性感知多视图边过滤对比学习

《Pattern Recognition》:MEFCL: Reliability-aware multi-view edge-filtered contrastive learning for graph recommendation

【字体: 大 中 小 】 时间:2026年09月21日 来源:Pattern Recognition 9.1

编辑推荐:

   •提出了一种用于稳健推荐的多视图边缘过滤对比学习框架。•联合学习局部与全局协同视图以获得互补语义。•整合PageRank与WL核以估计边级可靠性。•通过可靠性感知过滤构建抗噪对比视图。•大量实验验证了MEFCL的准确性与鲁棒性。引言随着在线信息和用户生成内容的快速增长,推荐系

  
  • •
    提出了一种用于稳健推荐的多视图边缘过滤对比学习框架。
  • •
    联合学习局部与全局协同视图以获得互补语义。
  • •
    整合PageRank与WL核以估计边级可靠性。
  • •
    通过可靠性感知过滤构建抗噪对比视图。
  • •
    大量实验验证了MEFCL的准确性与鲁棒性。

引言

随着在线信息和用户生成内容的快速增长,推荐系统已成为缓解信息过载和提升个性化信息获取的关键工具。协同过滤(Collaborative Filtering, CF)[1]、[2] 作为推荐系统中最基本的范式之一,通过建模历史用户-物品交互来学习潜在的用户偏好。尽管其有效性已得到验证,但现实世界中的交互数据通常具有稀疏性、噪声、偶然反馈和兴趣漂移等特点,这些因素显著限制了传统CF方法准确捕获潜在协同语义的能力。
为了解决上述局限性,基于图的协同过滤(Graph-based Collaborative Filtering, GCF)方法利用图神经网络(Graph Neural Networks, GNNs)[3]将用户-物品交互建模为图结构,从而实现协同信号在高阶邻域上的传播。NGCF [4] 和LightGCN [5] 等代表性方法通过多层消息传递捕获复杂结构依赖,展示了图表示学习在推荐任务中的有效性。然而,随着传播深度的增加,现有的基于GNN的推荐方法仍然容易受到噪声传播和过度平滑的影响,这可能降低表示的可区分性并损害推荐的鲁棒性。
近年来,对比学习(Contrastive Learning, CL)已成为一种有效的图推荐自监督范式。通过构建多个增强视图并最大化跨视图的表示一致性,基于CL的推荐方法旨在提高鲁棒性和泛化能力。近期的研究进一步表明,在噪声和不完整场景下,跨多个协同视图的语义一致性建模对于鲁棒的表示学习至关重要 [6]、[7]。现有方法如SGL [8] 通过随机节点或边扰动生成对比视图,而SimGCL [9] 直接在嵌入空间中引入扰动以简化视图构建。尽管这些方法取得了令人满意的效果提升,但仍存在两个关键局限性。首先,随机或启发式增强策略可能会破坏原始交互结构的语义一致性,导致不稳定的对比监督信号 [10]。其次,大多数现有方法仅从单一结构粒度构建增强表示,难以同时捕获细粒度的局部交互模式和高阶的全局协同语义。
从多视图表示学习的角度来看,局部交互结构和全局协同依赖提供了互补的协同信号 [11]、[12]。此外,跨模态嵌入对齐也证明了构建一致的多视图表示的必要性 [13]。现有的图对比推荐方法已从不同角度探索了这些信号。LMACL [14] 通过基于注意力的增强强调局部邻域语义,但其全局协同建模仍然有限。LightGCL [15] 引入了低秩全局协同信号,但在视图构建过程中并未显式保留细粒度的局部交互模式或估计边的可靠性。这些局限性促使MEFCL在保留局部邻域语义并进行全局协同建模之前过滤不可靠交互,从而构建可靠性感知的互补视图。
上述局限性在图1中得到了进一步说明。在现实世界的用户-物品图中,观测到的交互通常是稀疏的,可能包含噪声或偶然反馈。当采用随机或启发式扰动策略构建对比视图时,有信息量的交互可能会被意外删除,而不可靠的噪声交互可能会被保留。因此,生成的视图可能偏离原始协同语义,为对比学习提供语义不一致的监督信号。
基于上述观察,我们提出了一种用于推荐的可靠性感知多视图对比学习框架(MEFCL)。MEFCL将推荐问题建模为多视图协同表示学习问题,联合建模局部结构视图和全局协同视图,以在不同结构粒度上捕获互补的协同语义。具体而言,局部结构视图专注于保留细粒度的邻域交互模式,而全局协同视图捕获交互图上的高阶结构依赖。通过在这些互补视图上联合对齐表示,MEFCL增强了语义一致性和表示鲁棒性。
为了进一步提高协同视图的质量并抑制噪声交互,MEFCL在视图构建过程中引入了一种多粒度边级可靠性过滤机制。具体而言,每条交互边的可靠性从两个互补的视角进行联合评估:全局结构重要性和局部结构一致性。一方面,采用PageRank中心性 [16]、[17] 来衡量交互边在协同图中的全局贡献。另一方面,利用Weisfeiler-Lehman(WL)图核来表征局部拓扑相似性和邻域语义一致性。通过基于并集的互补可靠性融合策略整合这些结构信号,MEFCL在保留有区分力的协同关系的同时自适应地过滤不可靠交互,从而构建语义一致且抗噪的协同视图 [18]、[19]。这种设计不仅提高了对比学习的稳定性,而且与鲁棒和无偏图表示学习的最新进展相一致。
本文的主要贡献总结如下:
  • •
    我们提出了一种用于图推荐的可靠性感知多视图对比学习框架,该框架显式分离原始局部邻域语义和经可靠性过滤的全局协同结构,以改善鲁棒的表示学习。
  • •
    我们设计了一种边级可靠性估计机制,该机制整合了基于PageRank的全局结构重要性和基于WL的异构邻域结构一致性,从而实现确定性和语义可靠的视图构建。
  • •
    在多个真实推荐基准数据集上的大量实验表明,MEFCL在各种评估指标下始终优于当前最优方法,验证了多粒度协同视图建模和边级可靠性过滤在提高推荐准确性和鲁棒性方面的有效性。

章节摘要

基于图的协同表示学习

协同过滤(CF)长期以来一直作为推荐系统中最基本的范式之一,通过学习历史用户-物品交互来学习潜在的用户偏好 [20]、[21]。早期的推荐方法主要基于邻域模型或矩阵分解技术 [22]、[23],这些方法取得了令人满意的效果,但在建模高阶协同依赖和复杂非线性交互模式方面的能力有限。
随着……

方法

本节介绍我们提出的MEFCL框架。如图2所示,MEFCL由四个部分组成:局部结构视图建模、可靠性感知边过滤、全局协同视图构建和跨视图对比对齐。局部视图保留一阶邻域语义,而全局视图构建在经可靠性过滤的图上以捕获高阶协同依赖。

实验

本节我们进行大量实验,从多个角度全面评估所提出的MEFCL框架的有效性,包括推荐准确性、协同表示质量和对噪声交互的鲁棒性。具体而言,我们首先在多个基准数据集上将MEFCL与当前最优的图推荐和对比学习方法进行比较。然后我们进行详细的消融研究以调查各组成部分的贡献……

结论

在本文中,我们提出了MEFCL,一种用于推荐的可靠性感知多视图对比学习框架。MEFCL构建互补的局部和全局协同视图,以联合捕获一阶邻域语义和高阶协同依赖。为了提高视图构建的可靠性,MEFCL引入了一种边级过滤机制,该机制整合了基于PageRank的全局结构重要性和基于WL的局部结构一致性,从而……

CRediT作者贡献声明

徐理祥:撰写-审阅与编辑,监督,项目管理,方法论,获取资金,概念构思。 崔洪祥:撰写-原始稿,验证,软件,方法论,数据整理。 陈圣兵:撰写-审阅与编辑,可视化,验证,调查。 陈艳:撰写-审阅与编辑,可视化,验证,调查。 陈恩红:撰写-审阅与编辑,监督,资源。 罗斌:验证,形式化分析。 Philip S.

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所述工作。

致谢

本工作得到了国家自然科学基金(62176085)、安徽省高等教育质量工程项目(2024cxtd198、2024jyxm0697)、合肥市重点科技研发计划(2025SKJGGHLG004)、安徽省高校科研项目(2025AHGXZK20110)和合肥工业大学人才科研基金(2025KY28)的支持。
徐理祥 | 崔洪祥 | 陈圣兵 | 陈艳 | 陈恩红 | 罗斌 | Philip S. Yu
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