Page 433 - 《软件学报》2025年第9期

4344 软件学报 2025 年第 36 卷第 9 期

更有效地增强模型在 MRR、NDCG@10、HR@10 指标上的效果.

3.4.3 参数敏感度分析 (RQ3)
这里对两个关键参数展开实验讨论, 即传播深度和重叠用户影响权重, 分析它们在不同数据集上对模型性能
的影响.

3.4.3.1 传播深度
我们设置传播深度为参数 K, K∈{0, 1, 2, 3, 4}. 当 K=0 时, 图卷积部分消失, 多层循环 GCN 模块退化为贝叶斯
个性化排序 (Bayesian personalized ranking, BPR). 不同传播层的实验结果如图 4 所示.

19 28
24
评价指标 14 9 评价指标 20
16
12
8
4 4
0 1 2 3 4 0 1 2 3 4
传播深度 传播深度
(a) 传播深度对 Music→Movie 的影响 (b) 传播深度对 Phone→Elec 的影响
16 16
14 14
评价指标 10 8 评价指标 10 8
12
12
6 6
4 4
0 1 2 3 4 0 1 2 3 4
传播深度 传播深度
(c) 传播深度对 Cloth→Sport 的影响 (d) 传播深度对 Game→Video 的影响
MRR NDCG@10 HR@10
图 4 传播深度的影响

由图 4 可知, 当 K 值为 0 时, 此时推荐指标均较小, 推荐性能较差. 当 K 由 0 变为 1 时, 模型性能提升明显, 表
明 GCN 层可有效解决数据稀疏问题. 随着 K 的不断增大, 模型性能并未呈现不断增涨趋势, 而是在某个值之后下
降. 在数据域 Music-Movie、Cloth-Sport、Game-Video 中 K=3 时以及数据域 Phone-Elec 中 K=2 时模型性能达到
最佳. 原因在于, 对于稀疏数据集, 更深的图卷积可帮助聚合更多的邻居, 利于用户嵌入的学习, 从而提高冷启动用
户的推荐准确率; 而对于密集数据集, 过高的传播层深度易导致 GNN 出现过度平滑现象.

3.4.3.2 重叠用户影响权重
为获取伪重叠用户社区, 使用 λ 作为重叠用户影响权重, 以衡量伪重叠判定机制所构建的用户社区对用户聚
类准确性的影响, 其值在{0.005, 0.01, 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5}中选取. 将 MRR, NDCG@10
作为评价指标, 验证 λ 的不同取值对推荐效果的影响, 如后文图 5 所示.
由图 5 可知, 随着 λ 值的变化, 不同数据域下的推荐指标 MRR 和 NDCG@10 呈现先增后降的趋势. 第 3.4.2
节消融实验中的变体模型 Ours-2 可看作 λ 值为 0 时的情况, 此时推荐指标均为最小, 推荐性能较差. 在数据域
Music-Movie 中, 当重叠用户影响权重取值为 0.25 时, 推荐性能达到最佳; 在数据域 Cloth-Sport、Game-Video、
Phone-Elec 中, λ 值为 0.3 时, 推荐性能达到最佳. 这表明, 通过调整 λ 值的大小, 可优化推荐性能.

3.4.4 模型复杂度分析
为充分获取重叠用户信息, 所提模型 PO-CDRec 在社区聚类算法 Louvain 的基础上设计伪重叠判定机制, 据
此挖掘用户的信任关系以及相似用户社区, 再结合提出的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, 进而对用户推荐
项目. 与现有相关模型相比, PO-CDRec 的推荐过程稍长, 复杂度相对有所增加, 但推荐效果得到较大提升 (见表 3–