基于自适应增强的多视图对比推荐算法.pdfVIP

第51卷第5期/2025年5月/计算机工程研究论文

基于自适应增强的多视图对比推荐算法

姚迅，王海鹏1，胡新荣，杨捷2*

（1.武汉纺织大学计算机与人工智能学院，湖北武汉430200；2.伍伦贡大学工程与信息科学学院，澳大利亚伍伦贡2259）

摘要：近年来，基于神经网络架构的推荐系统取得了显著成功，但在处理富含流行偏见和交互噪声的数据时，

未能达到期望的效果。对比学习作为一种从无标记数据中学习的新兴技术备受关注，为解决这一问题提供了潜

在方案。提出一种端到端的图对比推荐算法AMV-CL。首先,基于节点的潜在表征构建用户-项目交互图的互补

图；其次，引人自适应增强技术，分别从节点和边缘角度生成多视图数据，并通过重参数化网络调整图结构；最后，

规范化对比损失中锚节点的正样本来源，同时利用多视图对比损失来学习用户/项目的潜在表征。在公共数据集

上的实验结果显示，相较于最优基准方法SimGCL,AMV-CL在评价指标Recall@20和NDCG@20上的提升最高

可达到12.03%和12.64%，表明所提方法能够有效提升推荐性能。

关键词：图神经网络；推荐系统；多视图；对比学习；自适应增强

中图分类号：TP18文献标志码：AD0I:10.19678/j.issn.1000-3428.0069219

Multi-viewContrastiveRecommendationAlgorithmBasedonAdaptiveEnhancement

YAOXun,WANGHaipeng,HUXinrong’,YANGJie?*

(1.SchoolofComputerScienceandArtificialIntelligence,WuhanTextileUniversity,Wuhan430200,Hubei,China;

2.FacultyofEngineeringandInformationSciences,UniversityofWollongong,Wollongong2259,Australia)

[AbstractlRecommendationsystemsbasedonneuralnetworkarchitectureshaveachievedremarkablesuccessin

recentyears;however,theyfailtoachievethedesiredresultswhendealingwithdatarichinpopularitybiasesand

interactionnoise.Contrastivelearning,anemergingtechnologyforlearningfromunlabeleddata,hasattracted

considerableattentionandprovidesapotentialsolutiontothisproblem.Thisstudyproposesanend-to-endgraph-

contrastiverecommendationmethodcalledAMV-CL.Thismethodfirstconstructsacomplementarygraphofa

user-iteminteractiongraphbasedonthelatentrepresentationofnodesandthenintroducesadaptiveaugmentationto

generatemulti-viewdatafromnodeandedgeperspectives.Subsequently,itadjuststhegraphstructurethrougha

reparameterizationnetworkandfinallynormalizesthesourcesofpositivesamplesofanchornodesi