基于对比学习的知识感知推荐系统.pdfVIP

Knowledge-awareRecommendationsystembasedonContrastive

Learning

AdissertationsubmittedtoSichuanUniversity

inpartialfulfillmentoftherequirements

forthedegreeof

MasterofEngineering

inComputerTechnology

By

YanFanli

Supervisor：Prof.JuShenggen

ComputerScience,SichuanUniversity,Chengdu,China

Date:May2024

年月日

摘要

知识感知推荐是当前推荐系统领域研究的热点，如今已经广泛应用于电子商务、搜

索引擎等商业场景。该方法通过引入知识图谱补充了额外信息，有效地缓解了数据稀疏

和冷启动问题，提高了推荐的准确性和可解释性。

现有的知识感知推荐方法主要通过图神经网络来处理用户、物品形成的关系网络，

并利用对比学习来获取更有效的节点表示，从而进一步提高推荐效果。但是这些方法仍

然存在一些缺陷：首先，现有模型引入了知识图谱为推荐系统补充了额外信息，但都是

直接将知识图谱和交互历史进行对齐，视作一个整体，没有强调交互历史原始信息的重

要性；其次，在推荐系统中，活跃用户的交互数据里存在不符合用户偏好的噪声，而非

活跃用户则面临数据稀疏问题。不论是噪声还是数据稀疏，都有可能导致模型性能下降。

当前的研究主要采用数据增强的方法来应对这些问题，但这些方法仅考虑了训练过程中

的数据增强，却忽略了训练前的增强。

本文针对上述的两个问题分别进行了如下工作：

（1）针对现有模型没有强调交互历史重要性问题，本文提出了基于跨视图对比学

习的知识感知推荐系统（Knowledge-awareRecommendationSystemwithCross-views

ContrastiveLearning，KRSCCL）。该模型提出包含全部节点的全局图，和仅包含交互历

史的局部图，使用图注意力网络生成全局视图嵌入，使用轻量级图卷积网络生成局部视

图嵌入。然后对两个视图的嵌入表示进行跨视图对比学习，该模块考虑了视图间正样本

对、视图间负样本对和视图内负样本对三种关系，对嵌入表示进行增强。

（2）针对现有模型没有同时考虑训练前和训练中数据增强的问题，本文提出了基

于对比学习的两阶段增强推荐系统（Two-stageEnhancementforRecommendationSystem

basedonContrastiveLearning，TERSCL）。该模型主要包含两个阶段的数据增强方法，一

个是在训练前，通过预训练的方式，得到一个增强邻接矩阵用于后续训练；另一个是在

每一轮训练中都生成一个不同的损失子图参与后续的图神经编码和对比学习过程。经过

两个阶段的增强，使得嵌入表示在后续预测环节得到了更好的表现，尤其在处理稀疏数

据集的时候取得了更明显的提升。

（3）提出的两个模型在MovieLens-1M等三个不同领域、不同稀疏度的公开推荐系

统数据集上进行了实验，并与现有模型进行了对比验证了本文模型的有效性，通过一系

列实验论证了本文模型的优势。

关键词：推荐系统；知识图谱；对比学习；数据增强

Abstract

Knowledge-awareRecommendationhasemerged