Page 317 - 《软件学报》2025年第12期

5698 软件学报 2025 年第 36 卷第 12 期

供了一种自然的方法来捕获复杂的高阶关系. Feng 等人 [24] 以及 Yadati 等人 [5] 最早将超图应用于 GCN. Jiang 等人 [6]
开发出一种动态超图神经网络用于捕捉超图中的动态演化关系. Bandyopadhyay 等人 [7] 开发了直线超图卷积网络,
保留了超图的全局连接性, 使模型能在超图结构上有效学习节点表示. Wang 等人 [25] 提出的 HyperRec 使用超图建
模用户的短期偏好, 但未利用超边间的信息, 也不是为基于会话的场景设计的. 而 Xia 等人 [8] 在超图的基础上, 将
会话关系建立成超边, 从而提取会话间的关系, 提出了 DHCN 模型. Zhao 等人 [26] 将动态超图与聚类分布采样结合
以进行多层次推荐. Yu 等人 [27] 挖掘用户交互序列中重复项目的重要关系, 以重复项目作为超边关联用户交互序列.
虽然上述模型考虑了全局兴趣和顺序的因素, 但是仍未充分挖掘会话内的侧信息, 且对于会话间的信息挖掘不够深入.
基于图神经网络的推荐模型通过构建序列图, 图卷积等技术, 学习项目间的互动信息以预测用户兴趣. 研究者
们提出了多种超图模型, 如 FGNN、GCE-GNN 和 HyperRec, 以捕捉会话内项目的最佳顺序和全局嵌入. 尽管这些
模型考虑了顺序因素和全局兴趣, 但会话内时间间隔的侧信息挖掘仍不充分, 且在实际应用中忽略了会话间的隐
藏高阶关系, 导致会话信息的多样性不足, 影响推荐结果的准确性.
综上分析可知, 多数模型并未关注到会话内时间间隔等侧信息的利用 [28] , 从而造成对用户会话建模信息不足
的现象, 影响推荐准确性; 同时, 现有的会话模型未很好地处理会话间的隐藏高阶信息; 此外, 大多使用对比模型的
框架较单一, 使其泛化性不强. 针对上述问题, 本文提出一种结合时间间隔数据增强的对偶视图自监督会话推荐模
型 TIDA-DSSR. 该模型深度挖掘会话内的时间间隔信息, 根据用户会话特征对其实施有针对性的数据增强, 更合
理地建模用户兴趣偏好; 同时, 提出一种对偶视图编码器, 分别从会话间以及会话内处理会话信息, 结合时间间隔
数据增强模块可更好地捕捉隐藏的高阶关系; 另外, 构建对比学习框架自适应地利用不同视图下的会话信息, 提升
模型泛化性.

3 基于数据增强的对偶视图自监督会话推荐

为便于阐述, 对文中一些主要符号进行说明, 如表 1 所示.

表 1 主要符号及含义

符号 含义
U = {u 1 ,u 2 ,...,u N } 用户集
V = {v 1 ,v 2 ,...,v M } 项目集
T u =< t 1 ,t 2 ,...,t m > 用户u会话项目间隔序列
p 数据增强项目插入位置
A 邻接矩阵
D 超图节点度矩阵
B 超图边度矩阵
用户u的原始会话集
S u
a
S u 用户u的增强会话集
用户u的原始会话序列
s u
a
s u 用户u的增强会话序列
a a
增强会话 s u
h s u 的超图表示
a a
增强会话 s u
f s u 的Transformer表示
原始会话 s u 的Transformer表示
f s u

大多会话推荐模型重点关注顺序推荐 [29] , 但未充分考虑会话内项目的时间间隔信息对会话推荐的影响. 同时,
在多个会话间还隐藏着许多对推荐或将起到重要作用的高阶关系, 且基于图神经网络的会话推荐模型能有效地挖
掘这种隐藏高阶信息. 近来, 对比学习常用于融合不同视角的信息, 然而目前的对比学习应用框架形式单一, 使模
型泛化性不足. 基于此, 提出一种自监督推荐模型利用时间间隔信息针对性地进行数据增强, 接着构建对偶视图编
码器多角度编码会话嵌入, 最后通过对比学习融合多种会话信息. 图 1 是本文模型的总体框架, 其工作原理如下.