计算机工程

作者：张宝鑫, 杨丹, 聂铁铮, 寇月

单位：1. 辽宁科技大学计算机与软件工程学院, 辽宁 鞍山 114051;2. 东北大学计算机科学与工程学院, 辽宁 沈阳 110169

关键词：自监督学习,推荐方法,数据增强,图神经网络,对比学习

基金：国家自然科学基金(62072084, 62072086);辽宁省教育厅科学研究项目(LJKMZ20220646)。

现有的图协同过滤算法在现实场景中存在数据稀疏问题,同时在相邻信息聚合的过程中使得特征学习更容易受到交互噪声的影响。为了解决上述问题,提出一个基于自监督的多视角图协同过滤(SMGCF)推荐方法,通过图神经网络学习用户和项目节点的嵌入表示。在学习节点嵌入表示的过程中,考虑到单个节点间的交互关系以及聚类节点间的聚类关系对推荐结果的影响,引入自监督学习来辅助图协同过滤算法进行多视角关系的挖掘。针对节点交互级关系视角,通过数据增强得到多个用户-项目交互二分图,并且提出一种节点交互级关系的对比学习方法;针对节点聚类级关系视角,提出一种节点聚类级关系的对比学习方法。通过多视角融合策略将2种类型的对比学习方法进行融合,从而提升节点嵌入效果。在4个公开的数据集上进行实验,实验结果证明了SMGCF的可行性和有效性。相比最优基准方法NCL,SMGCF在Recall@10和NDCG@10指标上最高可提升2.1%和4.3%。

来源：2024年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第5期