Page 332 - 《软件学报》2025年第12期

钱忠胜 等: 结合时间间隔数据增强的对偶视图自监督会话推荐模型 5713

σ 取值为 0.2 时, 模型对于用户会话的数据增强范围最合适.
种变化趋势表明, 当
可见, 在此参数实验中, 大多数据集下 σ 的最优取值相同, 我们认为这是合理的. 因为大多数据集中用户交互
的数据对于捕捉用户兴趣偏好是不足的, 需对大部分会话实施数据增强以更准确地捕捉用户偏好.
θ 的影响
2) 超图卷积网络层数
θ 是决定超图卷积网络内相关联会话传播深度的因素, 体现对隐藏高阶关系的敏感程度. 过大会导致当前会
θ

话嵌入中融合相距过远的无关会话信息, 会对隐藏高阶关系捕捉不准确, 从而影响推荐效果. θ 过小会使获取的会
话嵌入中融合的相似会话信息过少, 对隐藏高阶关系挖掘不足, 推荐效果反而接近卷积前的效果. θ 的值从集合{0,
θ 的变化情况如图 3 所示.
1, 2, 3, 4}中选取, 各指标值随

HR@10 NDCG@10 HR@10 NDCG@10
0.085 0.048 0.055 5 0.031
0.083 0.054 5
0.046 0.053 5 0.030
0.081
HR 值 0.079 0.044 NDCG 值 HR 值 0.052 5 0.029 NDCG 值
0.077
0.042 0.051 5 0.028
0.075 0.050 5
0.073 0.040 0.049 5 0.027
0 1 2 3 4 0 1 2 3 4
超图卷积网络层数 (θ) 超图卷积网络层数 (θ)
(a) 在 Beauty 上的实验效果 (b) 在 Sports 上的实验效果
HR@10 NDCG@10 HR@10 NDCG@10
0.029 0.015 9 0.067 0.038 4
0.028 0.066
0.015 3 0.065 0.036 8
0.027
HR 值 0.026 0.014 7 NDCG 值 HR 值 0.064 0.035 2 NDCG 值
0.025
0.014 1 0.063 0.033 6
0.024 0.062
0.023 0.013 5 0.061 0.032 0
0 1 2 3 4 0 1 2 3 4
超图卷积网络层数 (θ) 超图卷积网络层数 (θ)
(c) 在 Home 上的实验效果 (d) 在 Yelp 上的实验效果
图 3 参数 θ 的影响

从图 3 中可看出, 当 θ 由 0 变为 1 时, 本文模型性能提升明显, 说明对偶视图编码器中的超图卷积网络能有效
地捕捉会话间的隐藏高阶关系. 第 4.4.2 节消融实验中的变体模型 Ours-2 可看作 θ 为 0 的情况, 此时各指标值最
θ 的增大, 模型的性能先上升后下降. 当 值为 2 时, 模型在各数据
θ
小, 在此参数敏感度实验中推荐效果最差. 随着
θ 取值为 2 时, 模型对于用户会话间隐藏高阶关
集上的性能达到最优. 推荐效果先增后减的这种变化趋势, 表明当
系捕捉能力最强.
θ 的最优取值相同, 我们认为这是合理的. 这是因为当用户的相似会话相
可见, 在此参数实验中, 各数据集下
距过远时, 有效的会话间信息会减少. 换言之, 模型捕捉距离 2 步以内的相似会话关系是最合理的, 这也与我们对
实际的认知相吻合.
3) 超图卷积权重 λ 1 的影响
λ 1 是控制会话嵌入中会话间信息融合多少的因素, 体现相关联会话对于当前会话的影响程度. λ 1 过大会导致

会话嵌入中糅杂太多相关联会话的信息, 使得当前会话的信息不够明确, 从而无法捕捉用户真正的兴趣偏好; 而
λ 1 过小则会导致会话嵌入丧失相关联会话的信息, 丢失重要的会话间信息. 因此, λ 1 在很大程度上影响对会话间
高阶隐藏关系的捕捉. λ 1 的值从集合{1, 0.1, 0.001, 0.000 1}中选取, 各指标值随 λ 1 的变化情况如图 4 所示.
从图 4 中可看出, 随着 λ 1 增大, 所提模型 TIDA-DSSR 在不同数据集下的表现有较明显差异: 在 Beauty 数据
集下, λ 1 值为 0.1 时, HR 和 NDCG 两个指标值均达到最大. 在 Sports 数据集下, λ 1 值为 0.001 时, 各指标值均最大.
在 Home 数据集下, λ 1 值为 0.1 时, HR 指标值达到最大, 而 NDCG 指标在 λ 1 取 0.001 时效果最好. 在 Yelp 数据集