Page 207 - 《软件学报》2026年第2期

686 软件学报 2026 年第 37 卷第 2 期

间的交互关系都可以用图结构来表示, 因此, 基于图的推荐系统应运而生. 目前, 图神经网络 (graph neural network,
GNN) [14] 是最常使用的方法之一, 图神经网络能够通过图节点之间的消息传递来捕获图的依赖性, 它的主要思想是
从邻居节点中迭代地聚合特征信息, 并在传播过程中将聚合的信息与当前的中心节点表示相结合.
图神经网络因其在求解图相关推荐任务方面的有效性受到了广泛的关注, 尤其是图卷积网络 (graph convolutional
network, GCN) [15] . 它是谱图卷积的一阶近似, 许多图神经网络模型都是由它衍生而来的. 比如, GCMC (graph
convolutional matrix completion) [16] 模型是一种对用户-物品交互矩阵进行补全的自编码框架, 其利用用户和物品的
交互信息生成用户和物品之间的隐特征, 并通过双线性解码器来重建用户和物品之间的连接. 但是 GCMC 只考虑
一阶邻居信息, 不能够很好地利用信息传递来挖掘图结构信息. 为了解决此问题, STAR-GCN (stacked and reconstructed
graph convolutional network) [17] 模型被提出, 其提出了重构机制, 旨在从聚合的表示中恢复原始输入节点的表示, 并
且将恢复得到的表示作为下一个块的输入, 并在训练过程中加入了一个基于掩盖节点的重构损失, 整个损失函数
由预测损失和重构损失两部分组成. 但是, 无论 GCMC 还是 STAR-GCN, 都平等地对待邻居节点的影响, 并且其
传播机制仅仅依赖于邻居节点, 它们都使用 GCN 最后一层的输出作为节点表示来进行评分预测. NGCF (neural
graph collaborative filtering) [18] 模型解决了以上方法的缺陷, 它设计的传播机制不仅依赖于图结构还加入了图结构
与中心节点的亲和度. 另外, 它融合 GCN 不同层的表示来得到最终的节点表示, 尽管 NGCF 模型已经表现出很好
的效果, 但是它的设计笨重, 为了简化模型, 轻量级的 LightGCN [19] 模型被提出, 它删除了 GCN 模型中的特征变换
和非线性激活这两种操作, 只保留 GCN 中最关键的操作-邻居聚合. 研究发现, 在删除它们之后可以显著提高推荐
性能. 以上基于 GNN 的推荐方法是在用户-物品二部图中进行卷积操作, 另外, GNN 也可以用于其他特定图上, 比
如基于会话图的推荐, 常见的方法有 SR-GNN [20] 模型; 基于社交网络图的推荐, 常见的方法有 DiffNet++ [21] 、
MHCN (multi-channel hypergraph convolutional network) [22] . 值得一提的是, GNN 经常用于社交计算, 因为在社交网
络中传播的信息可以被其传递的信息很好地捕获. 这就是为什么我们求助于社交网络来获取由图神经编码器产生
的自我监督信号的原因.
1.2 基于自监督学习的推荐方法
自监督学习作为一种新的学习模式, 它可以减少对数据标签的依赖并且可以基于大量无标签数据进行训练.
自监督学习的基本思想是可以从大量无标签数据中提取信息并应用到不同的机器学习任务中. 正是由于可以处理
普遍存在的标签不足的问题, 自监督学习已经被广泛地应用于很多领域, 包括视觉表示学习、节点/图分类、推荐
系统等. 自监督学习这种灵活的学习范式, 将其应用于图表示学习是目前研究的热点. 基于图的自监督模型, 主要
利用图结构来挖掘自监督信号, 这一研究方向的主要机制是图对比学习, 它对比了同一图的多个视图, 其中, 局部
视图是通过对原始图进行数据增强而建立, 实现方式就是对原始图随机删除边或节点扰动方式生成.
受到图对比学习成功的启发, 这种想法也逐渐应用于推荐领域中. 比如 SGL 是基于对比学习的自监督推荐模
型, 首先通过随机删除节点/删除边方式进行数据增强, 生成两种不同数据视图, 在增强视图上应用共享的
LightGCN 编码器学习节点表示. 在负节点采样方面, 节点级对比通过优化 InfoNCE [21] 损失函数来生成, BPR 损失
函数来做推荐. 但是考虑到删除一些重要节点会对局部结构造成高度倾斜, HHGR 提出了双刻度节点 dropout 方
法在分组的推荐场景中生成有效的自监督信号, 提出的粗粒度的 dropout 方案一定比例地从所有组中删除了用户
节点, 然而细粒度的删除节点方案只是随机地从精确的分组中删除选中的节点. 这种方法通过不同粒度的删除, 最
大化用户节点之间的互信息. 尽管超图在用户建模方面比简单图具有很大的优势, 但它在社会推荐方面的优势尚
未得到充分的体现, 因此通过研究融合超图建模和图卷积网络的潜力来填补这一空白, 并提出了一种多通道超图
卷积网络 MHCN, 它定义了 3 种类型的三角社交关系并且将它们建模为多通道超图编码器, 利用高阶用户关系来
增强社会推荐. 这种多通道和聚合多用户表示学习的方式, 可以获得全面的用户表示, 被认为是包含多类型高阶关
系信息并且使用 item 嵌入来生成更好的推荐结果. 以上基于自监督学习的推荐模型都是通过自识别方式来挖掘
用户之间的内在联系, 从而忽略了有用的邻居节点信息, 而 SEPT 采用了多视图共同训练的方式生成自监督信号,
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, 这种融合社交感知的多视图共同训练的自监