Page 416 - 《软件学报》2025年第9期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(9):4327−4348 [doi: 10.13328/j.cnki.jos.007289] [CSTR: 32375.14.jos.007289] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
利用伪重叠判定机制的多层循环 GCN 跨域推荐

钱忠胜, 王亚惠, 俞情媛, 范赋宇, 付庭峰

(江西财经大学 计算机与人工智能学院, 江西 南昌 330013)
通信作者: 钱忠胜, E-mail: changesme@163.com

摘 要: 跨域推荐 (cross-domain recommendation, CDR) 通过将密集评分辅助域中的用户-项目评分模式迁移到稀
疏评分目标域中的评分数据集, 以缓解冷启动现象, 近年来得到广泛研究. 多数 CDR 算法所采用的基于单域推荐
的聚类方法未有效利用重叠信息, 无法充分适应跨域推荐, 导致聚类结果不准确. 在跨域推荐中, 图卷积网络方法
(graph convolution network, GCN) 可充分利用节点间的关联, 提高推荐的准确性. 然而, 基于 GCN 的跨域推荐往往
使用静态图学习节点嵌入, 忽视了用户的偏好会随推荐场景发生变化的情况, 导致模型在面对不同的推荐任务时
表现不佳, 无法有效缓解数据稀疏性. 基于此, 提出一种利用伪重叠判定机制的多层循环 GCN 跨域推荐模型. 首
先, 在社区聚类算法 Louvain 的基础上充分运用重叠数据, 设计一个伪重叠判定机制, 据此挖掘用户的信任关系以
及相似用户社区, 从而提高聚类算法在跨域推荐中的适应能力及其准确性. 其次, 提出一个包含嵌入学习模块和图
学习模块的多层循环 GCN, 学习动态的域共享特征、域特有特征以及动态图结构, 并通过两模块的循环增强, 获
取最新用户偏好, 从而缓解数据稀疏问题. 最后, 采用多层感知器 (multi-layer perceptron, MLP) 对用户-项目交互建
模, 得到预测评分, 通过与 12 种相关模型在 4 组数据域上的对比结果发现, 所提方法是高效的, 在 MRR、NDCG、
HR 指标上分别平均提高 5.47%、3.44%、2.38%.
关键词: 跨域推荐; 伪重叠判定机制; 图卷积网络; 社区聚类; 推荐系统
中图法分类号: TP309

中文引用格式: 钱忠胜, 王亚惠, 俞情媛, 范赋宇, 付庭峰. 利用伪重叠判定机制的多层循环GCN跨域推荐. 软件学报, 2025, 36(9):
4327–4348. http://www.jos.org.cn/1000-9825/7289.htm
英文引用格式: Qian ZS, Wang YH, Yu QY, Fan FY, Fu TF. Multi-layer Recurrent GCN Cross-domain Recommendation with Pseudo-
overlap Detection Mechanism. Ruan Jian Xue Bao/Journal of Software, 2025, 36(9): 4327–4348 (in Chinese). http://www.jos.org.cn/
1000-9825/7289.htm

Multi-layer Recurrent GCN Cross-domain Recommendation with Pseudo-overlap Detection
Mechanism

QIAN Zhong-Sheng, WANG Ya-Hui, YU Qing-Yuan, FAN Fu-Yu, FU Ting-Feng
(School of Computer and Artificial Intelligence, Jiangxi University of Finance & Economics, Nanchang 330013, China)
Abstract: Cross-domain recommendation (CDR) alleviates the cold start problem by transferring the user-item rating patterns from a
dataset in a dense rating auxiliary domain to one in a sparse rating target domain, and has been widely studied in recent years. The
clustering methods based on single-domain recommendation adopted by most CDR algorithms fail to effectively utilize overlapping
information and sufficiently adapt to CDR, resulting in inaccurate clustering results. In CDR, graph convolution network (GCN) methods
can fully utilize the associations between nodes to improve recommendation accuracy. However, GCN-based CDR often employs static
graph learning for node embedding, ignoring the fact that user preferences may change with different recommendation scenarios, which
causes poor model performance across different recommendation tasks and ineffective mitigation of data sparsity. To this end, a multi-layer

* 基金项目: 国家自然科学基金 (62262025); 江西省自然科学基金重点项目 (20224ACB202012)
收稿时间: 2024-04-27; 修改时间: 2024-07-01; 采用时间: 2024-09-02; jos 在线出版时间: 2025-02-26
CNKI 网络首发时间: 2025-02-26