Page 435 - 《软件学报》2025年第9期

4346 软件学报 2025 年第 36 卷第 9 期

模型 GLOU. 另外, 由对比实验结果可知, 本文模型 PO-CDRec 的性能也较之更优.
2
综上分析, 各模型的时间复杂度大小关系为: GLOU > FPPDM > PO-CDRec > I RCDR > HCCDR. 尽管从时间
复杂度上来看, 本文模型 PO-CDRec 要劣于部分对比模型, 但就推荐性能而言, 本文模型 PO-CDRec 优于 HCCDR
2
和 I RCDR. 相较于 HCCDR, 所提模型在 MRR、NDCG@N 和 HR@N 指标上分别最少提升 5.87%, 5.68%, 5.37%.
2
相较于 I RCDR, 所提模型在 MRR、NDCG@N 和 HR@N 指标上分别最少提升 10.09%, 13.42%, 11.09%. 相较于
GLOU 和 FPPDM 而言, 所提模型在推荐性能和时间复杂度方面均占优. 其中, 与对比模型中平均性能最佳的
GLOU 相比, 所提模型 PO-CDRec 在所有数据域上的指标 MRR、NDCG@N 和 HR@N 分别最少提升 2.65%,
1.26%, 0.77%. 可见, 本文模型的设计思路是合理的、有意义的.

4 总结与下一步工作

本文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 PO-CDRec. 该模型运用伪重叠判定机制
挖掘用户的信任关系以及用户社区, 获取用户相似性, 从而提高聚类算法在跨域推荐中的准确率; 同时采用多层循
环 GCN 学习节点嵌入, 充分挖掘节点高阶关系以缓解数据稀疏现象; 通过门控神经单元生成用户与项目的组合
特征, 利用 MLP 获取源域与目标域最终预测得分概率, 达到更佳的推荐效果.
1) 为提高模型推荐准确性, 设计伪重叠判定机制. 为充分获取重叠用户信息, 并使聚类算法更适应于跨域推荐
中, 所提模型设计伪重叠用户判断机制联合源域和目标域的用户进行聚类, 生成用户社交网络, 得到信任关系和用
户相似度, 从而提高聚类算法适应能力及推荐准确性.
2) 为缓解数据稀疏问题, 运用多层循环 GCN. 以动态图结构代替传统图卷积中的固定图学习, 同时从域内/域
间角度出发, 充分利用不同域数据信息聚合节点嵌入, 增强模型的高阶连通性, 缓解数据稀疏现象.
3) 为验证所提模型效果, 展开综合实验分析. 无论是与经典模型还是最新模型对比, 所提模型 PO-CDRec 在 4
种跨域推荐场景中, 其 3 个常用推荐指标均有明显提升. 同时, 通过消融实验, 验证了模型各组件的必要性. 最后,
开展参数敏感度实验, 优化了模型的关键参数.
所提模型 PO-CDRec 虽表现不错, 但依然存在一些待完善之处, 其中伪重叠判定机制未考虑对不同重叠用户
占比的数据集作相应改进. 在下一步工作中, 我们将考虑设计动态伪重叠判断机制, 以区分重叠用户和伪重叠用
户, 进一步提升模型性能. 另外, 模型的可解释性也一直备受关注, 我们还将引入特征重要性 (如用户/项目特征权
重、贡献度等) 以试图增强模型透明性与推荐公平性.

References:
[1] He XN, Liao LZ, Zhang HW, Nie LQ, Hu X, Chua TS. Neural collaborative filtering. In: Proc. of the 26th Int’l Conf. on World Wide
Web. Perth: ACM, 2017. 173–182. [doi: 10.1145/3038912.3052569]
[2] Zhu F, Chen CC, Wang Y, Liu GF, Zheng XL. DTCDR: A framework for dual-target cross-domain recommendation. In: Proc. of the
28th ACM Int’l Conf. on Information and Knowledge Management. Beijing: ACM, 2019. 1533–1542. [doi: 10.1145/3357384.3357992]
[3] Zhu F, Wang Y, Zhou J, Chen CC, Li LF, Liu GF. A unified framework for cross-domain and cross-system recommendations. IEEE
Trans. on Knowledge and Data Engineering, 2023, 35(2): 1171–1184. [doi: 10.1109/TKDE.2021.3104873]
[4] Wang LE, Li DC, Li XX. Deep recommendation model with cross-domain association and privacy protection. Ruan Jian Xue Bao/Journal
of Software, 2023, 34(7): 3365–3384 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/6533.htm [doi: 10.13328/j.cnki.
jos.006533]
[5] Perera D, Zimmermann R. Towards comprehensive recommender systems: Time-aware unified recommendations based on listwise
ranking of implicit cross-network data. In: Proc. of the 34th AAAI Conf. on Artificial Intelligence. New York: AAAI, 2020. 189–197.
[doi: 10.1609/aaai.v34i01.5350]
[6] Zhang JY, Wa CX, Li C, Zhao ZY. Towards lightweight cross-domain sequential recommendation via tri-branches graph external
attention network. Journal of Computer Research and Development, 2024, 61(8): 1930–1944 (in Chinese with English abstract). [doi: 10.
7544/issn1000-1239.202440197]
[7] Dong X, Yu L, Wu ZH, Sun YX, Yuan LF, Zhang FX. A hybrid collaborative filtering model with deep structure for recommender
systems. In: Proc. of the 31st AAAI Conf. on Artificial Intelligence. San Francisco: AAAI, 2017. 1309–1315. [doi: 10.1609/aaai.v31i1.