Page 427 - 《软件学报》2025年第9期

4338 软件学报 2025 年第 36 卷第 9 期

化折损累计增益 (normalize discounted cumulative gain, NDCG)、命中率 (hit rate, HR) 这 3 个评价指标对其性能进
行评价.
1) 平均倒数秩. 它是准确推荐项目倒数秩的平均值, 当所有秩位置超过 n 时, 倒数秩设为 0, 如公式 (17) 所示.

1 n ∑ 1
MRR = (17)
n rank u
u=1
其中, n 表示用户数, rank u 表示第 u 个用户的排名.
2) 归一化折损累计增益. 它表示准确推荐项目在推荐列表中位置越靠前, 其贡献越大, 反之贡献越小, 如公式
(18) 所示.

∑ 1 n ∑ 2 − 1
t i
NDCG = (18)
Y u log (i+1)
u∈U test i=1 2
其中, U tes 表示用户测试集, Y u 表示用户真实值, t i 表示项目 i 在推荐列表中的位置.
t
3) 命中率. 它强调模型推荐的准确性, 即用户的需求项是否包含在模型的推荐列表中, 如公式 (19) 所示.

1 ∑ s
HR = hit(i) (19)
s i=1
其中, s 为样本数, 可理解为用户需求项的数目. hit(i) 用于表示第 i 个项目是否包含在模型推荐的项目列表中, 若
是, 则其值为 1; 否则为 0.

3.3 对比模型
因 PO-CDRec 属于 CDR 领域范畴, 故将其与经典的、先进的 CDR 方法进行比较. 与本文模型 PO-CDRec 作
对比的 12 种模型包括 3 个单域推荐模型和 9 个跨域推荐模型. 在单域推荐模型中, CML [26] 为推荐领域的经典模
型; TCCF [27] 将改进的聚类算法应用在推荐模型中, 与本文模型的伪重叠判定机制有一定联系; NGCF [28] 是基于
GCN 的经典推荐方法, 与本文模型的多层循环 GCN 模块有一定相关性. 在跨域推荐模型中, EMCDR [29] 和
STAR [30] 均为跨域推荐中的经典模型; SSCDR、CDAML [31] 、HCCDR、FPPDM 为适配跨域推荐分别对聚类方法
进行不同方面的改进, 与本文模型的伪重叠判定机制具有相似性, 其中 SSCDR 在 EMCDR 基础上拓展; PPGN [32] 、
2 [33] [34]
I RCDR 、GLOU 分别运用 GCN 学习跨域推荐中不同角度的嵌入表示, 与本文模型的多层循环 GCN 模块具
有一定相关性.
单域推荐: 两个域的所有交互被合并为一个域, 应用以下广泛使用的基于 CF 的方法.
1) CML 在度量学习思想下学习用户和项目表示, 该度量学习思想利用 L2 距离并假设用户表示与交互项目的
距离小于尚未交互的项目.
2) TCCF 引入布谷鸟搜索算法改进 K-Means 算法聚合用户, 并利用时间相关系数捕捉用户行为的时间模式.
3) NGCF 是一种典型的基于图神经网络学习用户和项目表示的方法, 它堆叠 3 层 GCN 以探索用户和项目间
的高阶连接信息.
跨域推荐: 跨域推荐模型分别为每个域学习不同的用户-项目表示, 下面是几种典型的跨域基线模型.
1) EMCDR 是第 1 个为冷启动用户提供 CDR 的推荐框架, 其采用 3 种不同的预训练方法, 包括 CML、TCCF
和 NGCF, 分别初始化 EMCDR 中的用户-项目表示, 称为 EMCDR(CML)、EMCDR(TCCF) 和 EMCDR(NGCF).
2) STAR 设计了一个编码器拓扑结构, 并为所有域引入一个共享的基础网络来传输知识.
3) SSCDR 对 EMCDR 进行扩展, 先通过 CML 方法预训练表示, 再利用聚合重叠用户的多跳相邻信息学习跨
域映射函数.
4) CDAML 提出一种软聚类的方法, 在更细粒度的聚类级别指导全局共享参数初始化, 并通过对抗学习转移
与领域无关的用户偏好以改进目标领域的推荐.
5) HCCDR 采用软聚类的方法来识别每个目标用户的相似用户, 并同时结合从相似用户中学习到的共同特征
和自身特征以获取用户的个性化偏好传递函数.