计算机工程

作者：郭天晟, 谢瑾奎

单位：华东师范大学计算机科学与技术学院, 上海 200333

关键词：推荐系统,图神经网络,对比学习,数据增强,对齐和均匀

基金：国家自然科学基金(12331014)

协同过滤(CF)被认为是一种有效的推荐方法, 它可以通过学习用户和项目的表示来预测用户偏好。最近关于CF的一项研究从超球体对齐和均匀性的角度来提高表示质量, 增强了推荐性能。该研究促进对齐以增加交互用户和项目的表示之间的相似性, 并增强均匀性, 使超球体内拥有更均匀分布的用户和项目表示。然而, 仅使用监督数据进行对齐与均匀的表示优化会忽略行为噪声、数据稀疏和流行度差异等问题, 这难免会损害表示的泛化性能和结构特性。为了解决这些问题, 提出一种更准确的适应性对齐与均匀的推荐模型。将数据建模为用户-项目交互的二分图, 并应用图神经网络(GNN)来学习用户和项目表示。模型对用户和项目表示进行自监督对比学习, 从而捕获更多与监督数据无关的图结构模式。同时, 在优化时根据流行度来适应性地调整对齐和均匀的优化目标, 从而实现更广义的对齐和均匀。在3个真实世界数据集上进行大量实验, 结果证明了所提模型相对基线模型的优越性和稳健性。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期