ROECS：一种基于对象诱导三支概念的新型推荐方法

《International Journal of Approximate Reasoning》：ROECS: A Novel Recommendation Approach Based on Object-Induced Three-Way Concepts

　　

•提出 ROECS，一种基于 OE 概念的推荐算法。
•OE 概念集通过以用户为中心的启发式策略构建。
•通过加权聚合整合正向和负向反馈。
引言
目前，我们生活在一个信息爆炸的时代，用户在日常生活领域（如电子商务和社交媒体）遇到的数据呈现出前所未有的规模和复杂性。为了发现用户的潜在兴趣并将用户与信息、产品和服务连接起来，基于推荐算法的推荐系统应运而生。从早期基于协同过滤技术的推荐算法 [1] 到能够挖掘复杂关系和更高阶知识的更先进技术，研究人员一直致力于探索更深层次和更高效的推荐算法。近年来，图学习技术，特别是图神经网络（GNNs），已成为推荐系统前沿技术发展的核心驱动力 [2],[3]。GNNs 将对象、属性及其二元关系构建为异构图，通过消息传递和邻居聚合机制有效捕获多跳复杂关联，从而更丰富、更准确地刻画用户兴趣和物品特征 [4],[5]。
尽管 GNNs 在推荐领域取得了显著成功，但在实际应用中也都揭示了一些固有的局限性。一方面，GNNs 本质上可归类为“黑盒”模型；通过多层非线性变换学习到的节点嵌入缺乏显式的语义解释，使得难以直观理解模型推荐决策背后的逻辑和依据。另一方面，GNNs 的性能高度依赖于图结构的质量和完整性；在稀疏数据或对关系噪声敏感的场景中，其学习有效性可能缺乏鲁棒性。
为了克服 GNNs 在可解释性和鲁棒性方面的挑战，一些研究人员致力于探索 GNNs 的优化方法。例如，Lei 等人提出的对抗异构图神经网络显著提高了 GNNs 在推荐系统中的鲁棒性 [6]。同时，许多研究人员也专注于探索其他有效方法并取得了众多成果。例如，Guo 等人提出的基于图对比学习和知识增强的可解释推荐模型 [7] 以及 Zhang 等人提出的异质知识图谱注意力网络 [8] 有效地解决了 GNNs 的可解释性缺陷。Tang 等人提出的 RAP 方法 [9] 实质性地增强了 GNNs 在推荐系统中的鲁棒性。在众多有效方法中，形式概念分析（FCA）作为一种数学形式化工具，能够从高维和复杂的图结构数据中提取清晰、结构化且可解释的知识。其核心思想是从由对象和属性组成的二元关系中构建概念格，将数据组织成一系列形式概念，并利用格结构直观地展示概念之间的泛化和特化关系 [10]。
近年来，FCA 及其扩展理论不仅在物联网 [11] 和软件工程 [12] 等计算机领域中得到广泛应用和有效实践，还与生物学 [13] 和医学 [14] 等学术领域以及商业 [15] 和交通管理 [16] 等日常生活领域有机融合。近年来，它们也逐渐与机器学习 [17] 等当前热门领域相结合并持续扩展。同时，FCA 在推荐系统中的应用也取得了显著成果，基于它的推荐算法在性能上得到了巨大提升 [18],[19],[9]。
尽管基于 FCA 的推荐算法在可解释性方面具有显著优势 [20]，但其发展仍受到极大限制。由于 FCA 通常依赖于概念格进行推荐，在当前海量数据规模下构建完整概念格的时间复杂度极高 [19],[10]。尽管许多学者专注于研究高效的概念格构建算法，且这些研究成果较早期研究展现了不同程度的性能优势 [21],[22]，但这些算法要么仅适用于特定场景，要么仍具有高的时间和空间复杂度，使其不适合大规模推荐数据集。因此，一些学者转向启发式概念集构建方案。例如，Chen 等人 [23] 基于概念关键度的启发式信息构建概念集，这在多个数据集上提高了推荐效率。
基于由对象和属性组成的双向决策逻辑的 FCA，在判断对象和属性之间的二元关系时过于僵化。在现实世界的推荐场景中，系统不能仅仅因为尚不知道用户是否喜欢某物品就决定不推荐该物品。因此，FCA 的“全有或全无”判断方法在处理现实中普遍存在的不确定性场景时显得力不从心。换句话说，系统只能识别出用户感兴趣的物品，但无法区分用户不感兴趣的物品和用户兴趣不确定的物品。尽管文献 [23] 提出的方法表现出优异的性能，但其核心逻辑仍局限于双向框架内。其推荐置信度仅考虑正向信息（即用户拥有的物品），未能利用同样重要的负向信息（即用户未拥有的物品）进行反向规避，从而限制了其进一步性能提升的潜力。虽然一些近期开发的基于 FCA 的推荐方法已能在不完整设置下处理正向和负向信息并取得了显著成果 [19]，但它们通常依赖于完整概念格的构建，这在大规模推荐场景中计算代价高昂，导致其性能在这些场景中仍可能受限。
三向决策理论为克服双向逻辑的局限性提供了新的分析范式 [24]。在应用三向决策理论的推荐系统中，系统承认其认知的局限性。在没有确定用户对某物品是否感兴趣之前，它不会立即断定用户不喜欢该物品，而是选择延迟决策，并通过其他方式获取更多信息，逐渐澄清情况——这种逻辑与人类在复杂信息环境中的认知模式更为契合。Qi 等人将三向决策与传统 FCA 相结合 [25]，将其扩展为三向概念分析（TWCA/3WCA），并提出了两种三向概念构建形式：属性诱导（AE）和对象诱导（OE）。在 OE 概念中，通过同时描绘正向意向（对象共同拥有的属性）和负向意向（对象共同未拥有的属性），可以实现更全面和细粒度的知识表达。这一理论进展为提高现有基于 FCA 的推荐模型指明了有希望的方向。
因此，基于文献 [23] 提出的概念集构建框架，本文引入三向概念分析 [25] 的思想，旨在构建一个更具表达力和判别力的推荐模型。本工作的核心亮点在于保留了原方法的“正向意向”以使系统能够捕获用户的共同兴趣，同时新引入“负向意向”来刻画用户的共同厌恶倾向，从而形成完整的 OE 概念。这使得模型能更细致地区分用户兴趣的边界，不仅通过正向意向进行准确推荐，还能通过负向意向有效过滤出用户群体普遍不喜欢的物品，从而在提高推荐质量的同时增强推荐的多样性和新颖性，避免“信息茧房”现象。
本文的主要贡献包括：
•理论模型扩展：我们系统地引入了形式概念分析和三向形式概念分析理论，提出了属性兴趣度、属性厌恶度、外延正向相似度和外延负向相似度等核心定义，并构建了推荐领域三向概念分析的统一理论框架；
•关键指标创新：我们提出了一种整合正向和负向信息的 OE 概念关键度公式，并引入平衡系数 γ，使模型能够根据不同的应用场景灵活调整正向推荐和负向规避的权重；
•推荐机制优化：我们提出了一种基于加权分数的推荐机制，分别定义概念影响力和概念贡献度，通过加权评分聚合正向推荐信号和负向规避信号，并基于整体分数生成个性化推荐列表。该机制有效利用了集体用户厌恶信息，在保持高召回率的同时显著增强了推荐精度和鲁棒性；
•实验评估：我们在多个真实常规和大规模数据集上进行了全面的性能实验。实验结果表明，ROECS 不仅表现出良好的可扩展性和鲁棒性，而且在精确度、召回率、F1 分数和运行时间方面也取得了稳定且优异的性能。特别是在六个常规数据集中，ROECS 在两个中取得了最高的 F1 分数，在五个中排名前三。在四个大规模数据集中，ROECS 在三个中取得了最高的 F1 分数，在剩余的数据集中次优。在同一数据集上，与其他方法相比，ROECS 在运行时间上也有显著优势。具体而言，在大规模数据集 Netflix-L 上，ROECS 使用的运行时间不到取得次优 F1 分数的 LightGCN 的八分之一；在 ROECS 未取得最优 F1 分数的唯一数据集 MovieLens-10m-L 上，取得最优 F1 分数的 LightGCN 在 F1 分数上仅比 ROECS 高出约 3.76%，但运行时间几乎比 ROECS 长 3.45 倍。消融实验进一步验证了 ROECS 中三向决策规避机制的有效性。
本文其余部分如下安排：第 2 节概述相关工作，第 3 节呈现预备知识，第 4 节制定问题，第 5 节提供问题求解框架和详细方法论，第 6 节呈现实验过程和结果分析，最后第 7 节总结全文并讨论未来工作。
章节片段
相关工作
本节回顾相关工作并指出本文的创新点。我们首先分析 FCA 在推荐中的优势和挑战，特别是其双向决策逻辑在处理不确定性方面的不足。然后，我们引入三向决策和三向概念分析的理论，突出其作为有效解决方案的潜力。
形式概念分析的基本概念
形式概念分析（FCA）分析由形式语境生成的概念，以实现后续的扩展应用。相关知识如下：
定义 3.1 形式语境 [34]
给定对象集合 $U=\{u_1,u_2,\dots,u_n\}$，属性集合 $M=\{m_1,m_2,\dots,m_p\}$，以及 $U$ 和 $M$ 之间的二元关系 $R \subseteq U \times M$，三元组 $T=(U,M,R)$ 称为形式语境。
定义 3.2 正向算子 [34],[25]
给定形式语境 $T=(U,M,R)$，令 $X \subseteq U$ 和 $A \subseteq M$。我们定义：
$X^\uparrow = \{m \in M \mid \forall u \in X, r(u,m)=1\}$
$A^\downarrow = \{u \in U \mid \forall m \in A, r(u,m)=1\}$
$X^\uparrow$ 和 $A^\downarrow$ 称为一对推导算子。
问题陈述
为了实现更准确和鲁棒的个性化推荐结果，本文解决的核心研究问题是如何系统地利用来自用户反馈的完整信息来处理推荐中的不确定性。为此，我们提出了一种基于三向概念分析的问题求解框架，该框架将推荐过程重构为知识构建和决策制定有机整体。具体来说，该框架首先需要
框架概述
为了解决上述问题，本文提出了一种基于三向概念分析的推荐算法，其整体框架如图 3 所示。我们以向用户推荐潜在有趣物品作为应用场景。相应地，在该场景中，用户集可视为对象集，物品集视为属性集。该方法的核心过程可分为四个阶段：数据预处理、启发式 OE 概念生成、Top-K
实验与性能评估
在本节中，我们对 ROECS 算法进行了全面的实验评估。具体而言，我们首先在六个常规数据集上将 ROECS 与六种基线方法进行比较，然后在四个大规模数据集上将 ROECS 与四种基线方法进行比较，评估其在精确度、召回率、F1 分数、运行时间和内存消耗（仅在常规数据集实验中）方面的整体性能。并且，我们分析了每个用户推荐物品数量 $k$ 的数量
结论
本文针对传统仅依赖正向信息的基于 FCA 的推荐算法的不足，通过引入三向决策理论和三向概念分析，提出了一种基于对象诱导三向概念的新型推荐算法 ROECS。具体而言，我们构建了一个整合正向和负向信息的三向概念分析推荐框架，并设计了一种基于加权分数的推荐方法。实验
CRediT 作者贡献声明
杨阳：可视化、方法论、调查。关国庆：写作 – 初稿、方法论、形式分析。郝飞：写作 – 审阅与编辑、监督、资金获取、概念化。许乐西：写作 – 审阅与编辑。

张宏英：撰写——审阅与编辑。利益冲突声明：作者声明他们没有任何已知的竞争经济利益或个人关系可能会影响本文报告的研究工作。杨阳 | 关国强 | 郝飞 | 徐乐西 | 张宏英