基于知识感知和跨层次对比学习的推荐方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃04⁃10

计算机应用,2024,44(4):1121-1127CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）04-1121-07DOI：10.11772/j.issn.1001-9081.2023050613

基于知识感知和跨层次对比学习的推荐方法

12*1，311

郭洁，林佳瑜，梁祖红，罗孝波，孙海涛

（1.广东工业大学计算机学院，广州510006；2.广东工业大学图书馆，广州510006；

3.广东工业大学实验教学部，广州510006）

（∗通信作者电子邮箱linjiayu@gdut.edu.cn）

摘要：知识图谱（KG）作为一种辅助信息能够有效提高推荐模型的推荐质量，但现有的基于图神经网络（GNN）

的知识感知推荐模型存在节点信息利用不均衡问题。为此，提出一种基于知识感知和跨层次对比学习的推荐方法

（KCCL）。所提方法在GNN的知识感知推荐模型基础上引入对比学习范式，以缓解稀疏的交互数据和嘈杂的KG在信

息聚合时节点间依赖的关系偏离真实表示导致节点信息利用不均衡的问题。首先，将用户–物品交互图和物品知识

图整合为一个异质图，并通过基于图注意力机制的GNN实现用户和物品的节点表示；其次，在信息传播聚合层中加入

一致的噪声进行数据增强，得到不同阶层的节点表示，并将获得的最外层节点表示与最内层节点表示进行跨层次对

比学习；最后，联合优化推荐监督任务和对比学习辅助任务，得到最终各节点表示。在DBbook2014和MovieLens-1m

数据集上的实验结果显示，相较于次优对比方法，KCCL的Recall10分别提升了3.66%和0.66%，NDCG10分别提

升了3.57%和3.29%，验证了KCCL的有效性。

关键词：知识图谱；图神经网络；知识感知；图注意力机制；对比学习；数据增强

中图分类号：TP181文献标志码：A

Recommendationmethodbasedonknowledge‑awarenessand

cross-levelcontrastivelearning

12*1，311

GUOJie，LINJiayu，LIANGZuhong，LUOXiaobo，SUNHaitao

（1.SchoolofComputerScienceandTechnology，GuangdongUniversityofTechnol