Page 211 - 《软件学报》2026年第2期

690 软件学报 2026 年第 37 卷第 2 期

s
i
s
i
y + = Softmax(ϕ(˜z i ,z )), y + = Softmax(ϕ(˜z i ,z )) (5)
i i i i
s
其中, ϕ 为余弦相似度函数, z 和 z 分别为 H i 和 H s 学习到的物品表示, 在这里为了更加明确地区分不同视图的编
i
i
i
码器, 在物品视角下, 我们将 H i 表示物品类别视图的编码器, H s 表示物品共享图的编码器, H r 定义为用户-物品二
i
s
部图的编码器. ˜ z i 为通过图卷积得到的无标签样本集中物品的表示, y + 和 y + 表示每个物品在相应视图中为物品 i
i i
的语义正样本的预测概率. 为了避免噪声样本, 只有 H i 和 H s 都统一将物品 i 标记为正样本, 才能在 H r 将物品 i 进
行标记. 我们将在两个视图上的预测概率取均值, 得到:

1
i
s
r
y + = (y + +y +) (6)
i
i
i
2
选择前 k 个概率最大的正样本, 此过程可表述为:

r ( ) ˜ i
r
P + = ˜z ik |k ∈ Top-K y + , ˜z i ∼ G (7)
i i
G 进行扰动, 经过图编码器学习后生成不同的物品表示. 通过生成的伪
˜ i
在每次迭代中, 通过随机扰动, 不断对
标签, 基于邻居识别对比学习方法生成自监督信号, 对于给定某个物品 P + 中的有标签物
r
i, 最大化它的节点表示和
i
品表示之间的一致性, 并最小化它的节点表示和无标签物品表示之间的一致性. 我们采用在互信息估计中有效的
InfoNCE 损失函数来计算物品视角下的对比损失, 以最大化正样本对之间的一致性, 最小化负样本对之间的相似性:

∑
 v 
 φ(z ,˜z p ) 
 i 
 
 
∑  p∈P v 
 i + 
i
L = −E    ∑    (8)
ssl log ∑  

v
  φ(z ,˜z p )+ v  
V∈{r,t,f}   i φ(z ,˜z j ) 
i
 
p∈P v j∈U/P v
i + i +
(
)
v
v
v
其中, E 代表数学期望. φ(z ,˜z p ) = exp( ϕ z טz p /τ), 这是一个辨别器函数. 输入两个向量, z 表示物品 i 在任意一个
i
i
i
视图下学习到的物品表示, ˜ z p 表示在多视图训练下, 学习到的物品正样本的表示, ˜ z j 是经过编码器学习后得到的物
品负样本的表示, 辨别器函数可以预估它们之间的一致性. τ 在损失函数中表示温度参数, 损失函数的一个重要的
性质是困难负样本的发现, 这一性质在自监督表示学习中发挥重要的作用. 困难负样本可以提供更大的梯度值, 能
够有效促使损失函数向最优方向推进, 而温度参数 τ 在其中就起着调节对困难样本的关注程度的作用, 它控制模
型对负样本的区分度.
2.5 用户视角
基于对比学习任务, 我们详细介绍了物品视角下如何更新物品表示矩阵 Q, 下面介绍在用户视角下如何更新
用户矩阵 P. 用户视角下的模型框架如图一用户视角标注所示. 用户-物品交互图、社交网络图是从两个不同的角
度反映了用户偏好的数据源, 用户-物品交互图表示在历史数据中直接反映用户对物品的偏好, 社交网络图从另一
个隐式角度中捕捉用户之间的社交关系, 反映了具有朋友关系的用户可能具有相似的偏好, 根据用户之间的同质
性, 我们从 G r 、 G s 交互中的三元结构来得到两个增强数据视图, 分别为任意两个用户之间都是朋友关系的视图和
共同购买过同一件物品的朋友的视图, 称为可靠朋友关系视图和用户共享图. 朋友关系视图和物品共享图的邻接
矩阵由如下公式得到:

( )
s
T
f
A = (SS)⊙S, A = RR ⊙S (9)
u u
( )
f
其中, (SS) 和 RR T 计算连接两个用户的路径, 而 ⊙S 使得用户与用户之间形成三角关系并确保 A u 和 A 中的关系
s
u
是社交网络图中关系的子图. 同样, 我们使用物品视角下多视图共同训练的方法, 得到前 k 个概率最大的正样本.
然后, 采用 InfoNCE 损失函数来计算用户视角下的对比损失, 以最大化正样本对之间的一致性, 最小化负样本对
之间的相似性:

∑
 v 
 φ(z ,˜z p ) 
 u 
 
 
∑  p∈P v 
  u +  
L = −E   ∑   (10)
u
ssl log ∑  

v
  φ(z ,˜z p )+ v  
u
V∈{r,s,f}   u φ(z ,˜z j ) 
 
p∈P v j∈U/P v
u + u +