Page 208 - 《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 687

督推荐模型更好地提高了推荐性能, 这一模型被称为自监督图对比学习中的 SOTA 模型. 因此我们模型多视角中
的用户视角、物品视角都是通过这种多视图共同训练的方式生成自监督信号.
1.3 融合社交关系的推荐方法

近年来, 图神经网络可以自然地整合节点信息和拓扑结构, 因此其在关于图数据的学习中具有强大的能力.
GNN 的这些优点为推进融合社交关系的推荐方法提供了巨大的潜力, 因为社交推荐系统中的数据可以表示为社
交关系图和用户-物品交互图, 并且从图中学习用户和物品的表示是关键.
推荐算法的核心是学习用户和物品的表示, 通过对用户和物品的表示进行比较, 从而可以对相似的用户或者
物品进行推荐. 目前, 协同过滤 (collaborative filtering, CF) 算法 [23] 是比较流行的一种算法. CF 算法本质上是对用
户和物品的互动关系进行分析, 从而分析出用户和物品之间的偏好关系并完成推荐. 但是 CF 算法并没有较好地
解决数据稀疏性问题, 如果对用户-物品二部图邻接矩阵进行计算, 很容易导致过拟合, 这种情况下就会导致推荐
效果不理想. 由于数据稀疏性问题, 社交推荐算法应运而生, 社交推荐算法主要是通过用户-用户之间的关系进行
分析, 将关系比较亲近的用户之间的偏好关系进行建模, 从而加强了推荐算法的性能并解决了数据稀疏性问题.
DiffNet++网络对社交网络中的用户之间的关系进行迭代计算, 将用户的偏好影响力进行了 k 轮传播, 最终形成了
用户之间互相影响的偏好传播. 由于 DiffNet++模型中存在大量的冗余参数操作, 导致推荐性能受限. MHCN 是将
社交关系建模为超图, 它的性能要优于 DiffNet++, 这说明超图的表达能力要强于简单图. 此外, 引入社交关系的实
验效果要优于单纯的协同过滤方法, 说明了融入社交网络对推荐性能的改善有正向作用.
总体来说, 目前结合社交网络的自监督推荐方法主要存在两个方面的不足: 第一, 大多数方法只考虑用户层面
的监督信号, 而忽略了物品层面的信息, 比如物品之间的类别关系等, 进而导致自监督信号挖掘不充分, 推荐性能
不尽人意; 第二, 目前的方法将同一个节点的不同扰动结果作为自监督信号, 从而忽略了邻居节点的信息. 为了解
决以上的问题, 我们提出融合基于多视角的自监督推荐方法, 它不仅融合了用户层面的社交信息, 而且考虑了物品
之间的类别关系, 并结合邻居信息产生自监督信号, 进一步改进了推荐效果.

2 模型框架
本节介绍所提出模型的具体细节. 首先给出本文使用到的数学符号和问题定义, 然后对所提出的模型进行整
体概览, 接着详细介绍模型中每个模块的细节, 包括偏好视角、用户视角和物品视角, 最后介绍模型的训练方法.
2.1 问题定义

为了方便理解, 我们首先介绍本文使用到的数学符号. 假设 U = u 1 ,u 2 ,u 3 ,...,u m 表示所有的用户集合, I =
i 1 ,i 2 ,i 3 ,...,i n 表示所有的物品集合, m 和 n 分别表示用户数量和物品数量. P ∈ R m×d 和 Q ∈ R n×d 分别表示用户和物
品的嵌入表示矩阵, d 为嵌入向量的维度. 用户和物品之间的交互关系图定义为 G r , 它是一个二部图, 对应的交互
m×n
矩阵为 R ∈ {0,1} , 如果用户 u 与物品 i 交互过, r ui =1, 否则 r ui =0. 用户之间的社交网络图定义为 G s , 对应的社交
m×m
矩阵为 S ∈ {0,1} , s uv = 1 表示用户 u 与用户 v 为朋友关系. 物品之间的联系图定义为 G t , 这里我们将属于同一类
别的物品之间建立一条边, 其对应的邻接矩阵为 T ∈ {0,1} n×n , t ij = 1 表示物品 i 和物品 j 属于同一类别. 表 1 总结了
本文用到的数学符号.
本文提出了基于多视角的自监督推荐方法, 并且在用户视角以及物品视角下使用多视图共同训练的方式来生
成自监督信号, 这里详细阐述视角及视图的定义. 视角是一个宏观层面的概念, 是对同一个问题不同角度的表达,
比如偏好视角旨在根据用户-物品二部图从显式角度挖掘用户偏好, 用户视角和物品视角是从用户和物品的角度
分别生成不同的自监督信号, 以更好地得到用户、物品表示, 它们是从隐式角度来挖掘用户偏好. 视图是一个微观
层面的概念, 它指的是根据图中节点之间的数据关系从原始图中生成的不同子图, 例如用户共享视图是结合用户
之间的社交网络图以及用户-物品二部图而得到的, 朋友关系视图是从用户之间的社交网络图中考虑可靠关系得
到的, 它们都是原始图的一个子图.