Page 206 - 《软件学报》2026年第2期

王丹丹 等: 基于多视角的自监督推荐方法 685

self-supervised learning method is effective in improving recommendation performance.
Key words: self-supervised learning; recommender system; multi-view
近年来, 随着互联网的快速发展, 海量数据开始涌现, 进而出现了信息超载问题, 推荐系统是解决这一问题最
有潜力的方法. 它能够根据用户偏好对海量信息进行过滤, 为其提供个性化的推荐. 然而, 用户一般只与自己感兴
趣的物品进行交互, 导致推荐数据比较稀疏, 难以带来理想的推荐效果. 为了解决这一问题, 常用的方法有两种: 一
是结合辅助信息, 比如社交网络、知识图谱等, 来改进推荐性能, 提高用户满意度 [1] ; 二是借助于自监督学习 [2] , 从
大量无标签数据中自动产生监督信号, 缓解数据稀疏问题. 本文主要从自监督学习的角度来研究个性化推荐方法,
旨在改善推荐性能.
自监督学习是一种新兴的学习方式, 它不需要人工标注标签, 可以从原始数据中自动产生监督信号, 目前已经
广泛应用于众多领域 [3–7] , 比如计算机视觉、自然语言处理、推荐系统等. 在推荐系统中, 数据一般是以图的形式
存在, 比如用户与物品之间的交互二部图、用户之间的社交关系图等, 因此, 近年来的一些方法致力于利用自监督
图表示学习 [8,9] 来改进推荐性能, 并取得了较好的效果. 例如, SGL (self-supervised graph learning) [10] 提出了一种用
于推荐任务的自监督图学习框架, 将用户与物品之间的历史交互建模为一个二部图, 采用随机扰动 (随机删除图中
的节点/边) 的方式来产生监督信号, 并结合推荐损失和对比损失来完成推荐任务. 基于自监督学习的推荐方法
SGL 模型实际上在用户-物品交互二部图上以自判别的方式来产生自监督信号, 即对同一个节点的不同扰动结果 (随
机删除图中的节点或边) 作为对比信号, 从而忽略了邻居节点的信息. 考虑到删除一些重要节点会大幅度改动图的
结构信息, HHGR (hierarchical hypergraph graph recommendation) [11] 提出了基于超图的自监督推荐方法, 从粗粒度
和细粒度两个层面对节点进行随机删除, 以细化用户和群组的表示, 缓解数据稀疏问题. 然而, 这些方法都是以自
辨别的方式来产生监督信号, 即对同一个节点的不同扰动结果作为对比信号, 从而忽略了邻居节点的信息. 因此, SEPT
(socially-aware self-supervised tri-training) [12] 提出了一种社交感知的邻居判别的自监督推荐方法, 它结合社交网络
信息并将同质的邻居节点的扰动结果作为监督信号, 进一步改进了推荐的性能. 但是这种方法仅考虑了用户之间
的社交关系, 忽略了物品之间的内在联系, 导致产生的自监督信号不够充分, 无法更好地建模物品的表示.
为了解决以上的问题, 我们提出了一种基于多视角的自监督推荐方法, 包括偏好视角、用户视角和物品视角.
其中, 偏好视角旨在使用 BPR (Bayesian personalized ranking) [13] 损失不断迭代更新用户和物品表示, 用户视角和物
品视角用于产生自监督信号, 结合推荐任务和自监督任务, 采用多任务联合训练的方式获得用户和物品的表示. 相
较于同为自监督推荐算法的 SGL 模型, 本文提出的方法在生成自监督信号时, 既考虑了自身信息也考虑了邻居信
息, 并且融入了社交关系信息以及物品的类别信息, 从而获得的自监督信号更加丰富. 为了验证所提出方法的有效
性, 分别在 3 个公开数据集上进行了实验, 实验结果表明, 我们提出的方法优于对比的基线方法, 并通过消融实验
验证了模型中每个模块的必要性.
总的来说, 本文的主要贡献如下.
(1) 使用物品的类别信息构建物品联系图, 在物品视角下结合对比学习方法更新用户和物品的表示.
(2) 提出了一种基于偏好视角、用户视角和物品视角的多视角推荐方法, 并且采用多任务联合训练的方式完
成推荐任务.
(3) 在 3 个公开数据集上进行了充分的实验, 结果表明所提出的方法优于对比的若干基线方法, 提高了模型推
荐性能.

1 相关工作

本节主要介绍与我们方法密切相关的工作, 主要包括: 基于图神经网络的推荐方法、基于自监督学习的推荐
方法和融合社交关系的推荐方法.
1.1 基于图神经网络的推荐方法
在推荐系统中, 大多数信息具有图结构. 例如, 用户之间的社交网络、物品之间的知识图谱以及用户和物品之