Page 432 - 《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 4343

3.4.2.1 通过多层循环 GCN 动态学习用户偏好对模型性能的影响较大
传统基于 GCN 的 CDR 算法在获取高阶节点嵌入前, 往往采用固定的图形式构建用户-项目节点关系, 构建过
程将忽略不同域间节点关系的变化. 本文提出利用动态图结构分别学习域共享信息和域特有信息以获取高阶的跨
域节点嵌入, 从而提高数据利用率, 缓解数据稀疏问题. 由表 8 可看出, 与变体模型 Ours-1 相比, 变体模型 Ours-2
在性能上提升较大. 比如, 在 MRR 指标上, 平均提升 15.34%, 最优时提升 27.73%. 由此可知, 基于 GCN 的 CDR 算
法中增加循环结构并使图动态化, 可有效提高节点的鲁棒性和数据利用率, 从而获取用户最新偏好, 有利于提升模
型推荐性能.

表 8 各变体模型在不同数据集上的指标对比

模型变体
数据集 评价指标 性能对比情况 (%)
Ours-1 Ours-2 Ours-3 PO-CDRec
MRR 4.30 5.95 6.91 7.13 ↑3.09
Music NDCG@10 4.60 6.59 7.32 7.91 ↑7.46
HR@10 9.23 13.30 14.06 14.98 ↑6.14
MRR 4.33 5.57 6.47 6.64 ↑2.56
Movie NDCG@10 4.80 6.18 7.08 7.41 ↑4.45
HR@10 10.07 14.23 14.21 14.89 ↑4.43
MRR 6.70 6.31 8.10 8.08 ↓2.48
Phone NDCG@10 7.88 7.22 9.00 9.32 ↑3.43
HR@10 14.25 17.12 14.15 17.90 ↑4.36
MRR 8.22 9.54 10.31 11.28 ↑8.60
Elec NDCG@10 9.44 10.96 11.56 11.63 ↑0.60
HR@10 16.58 18.50 19.89 20.43 ↑2.64
MRR 3.56 4.31 5.72 6.28 ↑8.92
Cloth NDCG@10 3.98 4.78 5.77 5.84 ↑1.20
HR@10 7.54 9.97 11.26 11.89 ↑5.30
MRR 3.68 4.16 4.97 5.18 ↑4.05
Sport NDCG@10 4.02 4.52 5.67 5.87 ↑3.41
HR@10 7.87 9.17 11.36 11.42 ↑0.53
MRR 2.99 3.72 4.51 4.87 ↑7.40
Game NDCG@10 2.78 3.98 4.12 4.92 ↑16.26
HR@10 5.60 7.64 8.06 9.17 ↑12.10
MRR 3.79 4.54 4.69 5.02 ↑6.57
Video NDCG@10 3.93 4.65 5.28 5.68 ↑7.04
HR@10 7.48 10.26 11.32 12.18 ↑7.06

3.4.2.2 基于伪重叠判定机制聚合跨域用户对推荐性能的影响很大
跨域推荐中不同领域之间具有复杂关系, 而传统跨域推荐大多套用适用于单域推荐的聚类算法, 无法有效利
用重叠信息学习域共享嵌入, 从而为后续特征学习提供更准确的聚类结果. 因此, 需针对部分用户重叠推荐场景对
聚类算法进行改进. 对此, 所提模型 PO-CDRec 设计伪重叠判定机制, 整合聚类用户关系. 由表 8 可看出, 与变体模
型 Ours-1 相比, 变体模型 Ours-3 在性能上提升明显. 比如, 在 HR 指标上, 平均提升 25.93%, 最优时提升 34.35%.
由此可知, 采用伪重叠判定机制能有效地利用重叠信息处理不同领域的复杂用户关系, 为后续特征学习提供更准
确的聚类结果, 进而提高推荐准确性.

3.4.2.3 两构件相互配合使得模型推荐性能达到最优
与所有变体模型 Ours-1、Ours-2、Ours-3 相比, 本文模型 PO-CDRec 同时运用伪重叠判定机制与多层循环
GCN 这两个构件, 其评价指标在各数据域中普遍有所提升, MRR、NDCG@10、HR@10 分别平均提升 4.84%,
5.48%, 5.32%. 由此可知, 这两个构件相互配合可使 PO-CDRec 模型推荐效果达到最优.
由上述分析可知, 伪重叠判定机制以及多层循环 GCN 构件均对模型性能提升起到一定作用, 且二者的结合可