Page 213 - 《软件学报》2026年第2期

692 软件学报 2026 年第 37 卷第 2 期

RQ3: 模型中的重要超参数 (例如, 损失函数权重 λ、温度参数 τ) 对推荐性能的灵敏度如何?
3.1 数据集
我们在 3 个公开数据集上进行实验, 包括 Yelp [18,19,25] 、Ciao [26] 、Epinions [25,27,28] . 表 2 给出了数据集所对应的
详细信息.

表 2 数据集统计信息

数据集 Yelp Epinions Ciao
用户数量 43 043 18 081 7 317
物品数量 66 576 251 722 104 975
用户/物品交互数量 283 512 751 821 283 320
用户/物品交互密度 (%) 0.009 8 0.015 7 0.036 9
社交关系数量 549 451 590 641 111 781
社交关系密度 (%) 0.029 6 0.180 6 0.208 8
物品所属类别数量 1 336 28 28

Yelp 数据集是从 Yelp 平台上搜集而来, 它是美国最大的点评网站 (https://www.yelp.com/). 它包含了社交关
系信息和物品所属的类别信息, 并且具有社交关系的用户都具有相同的兴趣.
Epinoins 数据集主要记录了来自 Epinions 网站 (http://www.epinions.com/) 上用户对不同物品的反馈信息.
Epinions 是一家知名的大众消费者点评网站, 成立于 1999 年. 在 Epinions 数据集中, 用户可以阅读有关各种物品
的评论, 以帮助他们决定购买行为或者他们可以免费加入并开始撰写评论, 从而获得回报和认可. 该数据集中的社
交网络来自朋友关系, 也包含物品的类别信息.
Ciao 数据集主要记录了来自电商平台网站 (https://www.librec.net/datasets.html) 上用户对他们购买的物品的
评分、用户与用户之间的社交关系以及用户购买的物品之间的类别信息.
实验中选取 Yelp、Ciao、Epinions 这 3 个公开数据集来验证本文提出的基于多视角的自监督推荐模型, 这 3
个数据集分别属于不同规模, 不同领域并且都包含用户对物品的反馈评分, 用户之间的社交关系数据及物品所属
类别数据. 为了进行精确的评估, 对所有实验都进行了 5 折交叉验证, 并展示其平均结果.
3.2 基线模型简介
本节将提出的多视角自监督推荐模型与其他 6 个近年来提出的推荐算法进行了比较, 以检验提出的模型的有
效性. 近期提出的基于自监督学习的 HHGR 模型是基于超图的自监督推荐方法, 不同于本文构建的简单图, 因此
未选取 HHGR 作为基线模型, 本文选取的基线模型分别为 LightGCN [19] 、NeuMF [29] 、BUIR [30] 、MHCN [22] 、
DiffNet++ [21] 、SGL [10] 、SimGCL (simple graph contrastive learning for recommendation) [31] 、LightGCL (simple yet
effective graph contrastive learning for recommendation) [32] 、SEPT [12] .
(1) BUIR 是一个单分类协同过滤模型. 它在训练过程中不需要负样本, 只依靠正样本来学习用户和物品的表
示. 它包括两个编码器: 在线编码器和目标编码器. 在线编码器用于预测用户和物品之间的交互, 它的预测目标由
目标编码器提供, 二者交替进行.
(2) NeuMF 是目前很流行的基于深度学习的推荐算法模型. 它将传统矩阵分解方法和多层感知机联合, 并且
同时提取低维和高维特征, 在推荐质量方面得到了很大的提升.
(3) LightGCN 是基于图卷积神经网络的通用推荐模型. 它利用用户与物品之间的相似性来学习节点表示并完
成推荐任务. 该推荐模型简单有效.
(4) DiffNet++是近期提出的一种基于 GCN 的社交推荐方法. 它融合了社交网络, 并利用用户和物品在隐空间
中的动态扩散机制来完成推荐任务.
(5) MHCN 是一种最新的基于超图卷积神经网络的社交推荐方法. 它利用超边来建模用户之间的复杂相关性,
以提高推荐性能.