Page 428 - 《软件学报》2025年第9期

钱忠胜 等: 利用伪重叠判定机制的多层循环 GCN 跨域推荐 4339

6) FPPDM 通过局部组件运用各领域评级信息来学习用户/项目偏好分布后, 利用全局聚合组件获取跨域组合
用户特征.
7) PPGN 通过共享用户嵌入层中两个单独的 GCN 学习用户-项目表示, 并采用基于 EMCDR 的方法, 旨在应
对用户冷启动推荐.
2
8) I RCDR 设计一个关系感知的 GCN, 通过探索不同图间的多跳异构连接, 提取域共享和域特定特征, 并结合
引入的门控融合机制, 实现双重目标推荐.
9) GLOU 运用一种自监督分类器, 根据不同领域用户偏好差异将用户分组, 并利用 GCN 对其交互项形成的
子图进行学习, 挖掘高阶协作关系.

3.4 实验及其分析
对于各个模型的公共超参数均采用相同值, 包括: 嵌入维度 F 为 128, 批量大小为 1 024. 对于基线模型中的特
定超参数, 我们使用原始参考模型中的值. 此外, 对于所有 EMCDR 变体模型, 我们采用与 EMCDR 中建议的相同
MLP 架构. 对于本文模型 PO-CDRec, 学习率在{0.01, 0.001, 0.001}集合中调整, GCN 网络层数在{0, 1, 2, 3, 4}中调
整. 本文模型使用 Adam 作为优化器, 而对于基线模型, 保留了文献中使用的原始优化器. 对所有模型, 每个实验运
行 5 次, 并在验证集中选择最佳结果.
下面结合 3 种综合实验阐述本文模型的有效性及其优势. 其中, 对比实验 (见第 3.4.1 节) 将本文模型与 12 种
经典的、较新的推荐模型进行对比, 为保证实验的公平性, 对比实验均选取各模型中所需较为合理的数据集划分
比例, 阐明本文模型的优势, 以回答 RQ1; 消融实验 (见第 3.4.2 节) 阐述本文模型的相关构件对模型推荐性能提高
的可行性与高效性, 以回答 RQ2; 参数敏感度实验 (见第 3.4.3 节) 分析主要参数对模型性能方面的影响, 便于实施
模型参数优化, 以回答 RQ3.

3.4.1 模型对比分析 (RQ1)
表 3–表 6 给出了本文模型 PO-CDRec 与 12 种对比模型在 4 组数据域下的 3 个评价指标 MRR, NDCG@N,
HR@N 实验结果值. 实验中测试了 N 为 5 与 10 时的效果. 为便于比较, 利用虚线区分单域模型和跨域模型.

表 3 Music-Movie 数据域中推荐模型性能比较

Music-domain recommendation Movie-domain recommendation
模型 NDCG HR NDCG HR
MRR MRR
@5 @10 @5 @10 @5 @10 @5 @10
CML 4.19±0.09 3.50±0.11 4.53±0.14 5.50±0.17 8.70±0.27 3.89±0.04 2.91±0.04 3.95±0.03 4.62±0.05 7.87±0.11
TCCF 4.78±0.05 3.67±0.08 4.51±0.20 5.72±0.11 8.82±0.09 4.68±0.12 3.34±0.07 4.62±0.13 5.59±0.03 9.10±0.10
NGCF 4.04±0.04 3.18±0.06 4.15±0.09 5.03±0.08 8.86±0.10 4.08±0.08 3.02±0.06 4.53±0.10 5.24±0.10 9.92±0.16
EMCDR(CML) 3.80±0.01 3.06±0.01 3.97±0.02 4.78±0.01 7.62±0.04 4.73±0.05 3.68±0.05 4.97±0.06 5.81±0.08 9.82±0.10
EMCDR(TCCF) 4.41±0.10 3.71±0.18 4.65±0.11 5.41±0.19 8.79±0.18 5.56±0.03 4.31±0.09 5.79±0.08 6.50±0.14 10.10±0.12
EMCDR(NGCF) 4.36±0.08 3.63±0.04 4.70±0.08 5.61±0.09 8.95±0.12 5.49±0.12 4.55±0.08 6.06±0.14 7.25±0.14 11.89±0.10
STAR 3.91±0.12 3.12±0.12 4.07±0.13 4.78±0.15 7.71±0.20 3.91±0.18 2.73±0.18 4.00±0.23 4.62±0.25 8.60±0.04
SSCDR 1.95±0.01 1.36±0.01 2.15±0.02 2.15±0.02 3.59±0.04 2.74±0.01 1.99±0.01 2.72±0.01 3.19±0.03 5.47±0.03
CDAML 4.99±0.02 3.74±0.04 6.25±0.16 6.79±0.09 10.07±0.03 6.14±0.16 5.01±0.06 6.12±0.11 8.19±0.17 13.26±0.06
HCCDR 5.49±0.13 4.16±0.12 6.47±0.06 6.65±0.17 10.14±0.06 6.25±0.10 5.27±0.04 6.24±0.08 8.06±0.13 14.09±0.11
FPPDM 6.75±0.13 5.58±0.07 7.62±0.03 9.11±0.23 13.26±0.12 6.47±0.09 5.20±0.04 6.81±0.05 8.82±0.12 14.26±0.01
PPGN 4.18±0.04 3.39±0.06 4.55±0.07 5.32±0.11 8.91±0.16 4.31±0.03 3.19±0.02 4.65±0.04 5.44±0.07 10.00±0.10
2
I RCDR 4.96±0.12 3.87±0.03 6.13±0.05 6.84±0.18 9.48±0.13 5.97±0.05 4.72±0.08 6.25±0.15 8.02±0.20 13.07±0.12
GLOU 6.25±0.17 5.95±0.19 7.46±0.12 9.27±0.06 14.86±0.11 6.59±0.02 5.24±0.05 7.11±0.10 8.84±0.15 14.78±0.12
PO-CDRec 7.13±0.04 6.21±0.03 7.91±0.01 9.31±0.06 14.98±0.13 6.64±0.26 5.81±0.07 7.41±0.13 9.02±0.16 14.89±0.04

表 3–表 6 展示了所有模型在各数据域性能, 其中, 本文模型 PO-CDRec 在数据集 Amazon 的数据域 Music-
Movie、Phone-Elec、Cloth-Sport 中达到最优, 在数据域 Game-Video 中整体表现良好. 下面给出更详细分析.