计算机工程

作者：张震, 游兰, 彭庆喜, 金红, 曾昊秋, 夏宇春

单位：1. 湖北大学计算机与信息工程学院, 湖北 武汉 4300622. 武汉学院信息工程学院, 湖北 武汉 430212

关键词：推荐系统,对比学习,数据增强,流行度偏差,图神经网络,协同过滤

基金：湖北省重点研发计划(2022BAA044); 湖北省高校优秀中青年科技创新团队项目(T2022055)

传统的基于对比学习的推荐模型通常首先对原始交互图进行数据增强, 然后尽可能提高不同视图编码后的表示一致性。虽然这种方法已被证明是有效的, 但最近的研究发现, 由于图数据中节点的边遵循幂律分布, 图增强往往会引入对对比学习不利的偏差。此外, 图结构的扰动使得处理大规模数据集变得计算密集, 限制了基于对比学习模型的灵活性。为了应对这些挑战, 提出一种高低方差分离的特征增强方法(HLVS), 该方法不仅避免了对图结构的直接扰动, 还减轻了传统特征扰动方法中存在的语义偏差问题。同时, 为了缓解推荐系统中的流行度偏差问题, 在主任务中引入流行度指标, 并设计一种新的损失函数——基于物品流行度的贝叶斯个性化排序(PBPR)损失, 以实现对热门与冷门节点表示的平衡。最后, 通过整合对比学习、HLVS和PBPR, 设计一个轻量级的无参数图对比学习框架(XSGCL), 该框架可以自然地集成到推荐模型中, 以提高训练效率和性能。通过在5个公共数据集上的广泛实验, 证明了将XSGCL集成到LightGCN后, 不仅显著提升了训练效率, 并且相较于先进模型具有更好或者相当的性能, 例如在Yelp2018数据集上, 相比于LightGCN, 模型训练效率提升了91.2%;在Alibaba-iFashion数据集上, Recall@10和NDCG@10指标分别提高了32.21%和33.73%。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期