Page 209 - 《软件学报》2026年第2期

688 软件学报 2026 年第 37 卷第 2 期

表 1 本文用到的数学符号

符号 描述 符号 描述
用户-物品二部图
G r P 用户嵌入表示矩阵
社交网络图 Q 物品嵌入表示矩阵
G s
物品联系图 r ui 用户u对物品i的评分
G t
R 用户-物品交互矩阵 ˜ G u 用户视角下用户-物品二部图联合社交网络图的扰动子图
S 社交矩阵 ˜ G i 物品视角下用户-物品二部图联合物品联系图的扰动子图
T 物品关系矩阵 ˜ z u 用户视角下包含用户表示的无标签数据集
U 用户集合 ˜ z i 物品视角下包含物品表示的无标签数据集
I 物品集合 － －

G t , 然后结合用户-物
基于以上的定义, 我们的任务是: 首先根据物品的所属类别信息构建物品之间的联系图
品交互图 G r 以及用户之间的社交网络图 G s , 在训练集上通过模型训练, 学习用户和物品的向量表示 P 和 Q, 通过
P 和 Q 预测用户 u 对物品 i 的评分 ˆ r ui , 根据预测评分为用户推荐可能感兴趣的物品.
2.2 模型概览
我们的模型主要分为两大任务, 分别为推荐任务和对比学习任务, 模型框架如图 1 所示. 推荐任务作为模型的
主任务, 输入为用户-物品二部图, 利用用户偏好信息初步生成用户和物品的向量表示; 对比学习任务又分为用户
视角对比学习和物品视角对比学习, 输入分别为社交网络图和物品类别图, 用于辅助更新推荐任务中学习到的用
户和物品的向量表示.

多视图共同训练机制
LightGCN 编码器生成用户-物品表示 生成用户-物品表示
用户共享图 用户视角
社交网络图 数据增强 u 2 u 4 u 1 u 7 编码器
u 3 u 6
u 5 用户表示
u 7 辅助任务
u 2
u 4 生成自监
数据增强 朋友关系视图 基于用户视角 基于用户对比损失
u 3 u 6 督信号 对比学习任务
u 5 u 2 u 1 u 7 编码器
用户-物品二部图 u 3 u 4 u 5 u 6 用户表示
+ 无标签
社交网络图 社交网络图联合用户物品二部图, 随机删除一些边+图卷积神经网络 数据集 迭代更新用户表示
用户-物品二部图 偏好视角
i 1 i 2 i 3 i 4
用户表示
编码器 推荐任务
u 2 u 4
u 6
u 1 u 3 u 5 u 7 物品表示 主任务
用户-物品二部图 数据增强
+ 迭代更新物品表示
物品类比图
物品类别图 物品共享图
数据增强 i 2 i 1 编码器 物品视角
i 1
i 7 i 4
i 2 i 3 物品表示 生成自监
督信号 基于物品
编码器
i 6 视角对比
i 3 i 5
i 4 学习任务
物品类别图联合用户物品二部图, 随机删 物品表示 基于物品对比损失
除一些边+图卷积神经网络 无标签 辅助任务
数据集
多视图共同训练机制
生成用户-物品表示
图 1 整体模型框架

2.3 偏好视角
在偏好视角下, 主要目标是根据用户与物品的历史交互数据, 学习用户, 物品表示矩阵. 具体来说, 我们将用户-
物品之间的交互数据建模为二部图 G r , 然后使用 LightGCN 编码器编码用户和物品信息, 获得用户和物品的表示,
最后将用户 u 和物品 i 的向量表示做内积得到预测的推荐得分, 即 ˆ r ui = P u ×Q i . 在偏好视角下, 我们通过降低 BPR
损失, 不断迭代更新用户和物品的表示 P 和 Q. BPR 损失的基本思想是与用户 u 交互过的物品的得分大于未交互