Page 214 - 《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 693

(6) SGL 是一种基于 GCN 的自监督推荐方法. 它在用户-物品交互图上以自判别的方式来产生自监督信号, 即
对同一个节点的不同扰动结果 (随机删除图中的节点或边) 作为对比信号.
(7) SimGCL 是一种在原始表示中添加随机均匀噪声来进行数据增强的方法. 它放弃了图增强, 可以平滑地调
节均匀性, 并且实现起来比较容易.
(8) LightGCL 是使用奇异值分解方法来进行数据增强, 用于提取用户-物品交互图中的全局协同关系, 可以更
好地保留图的语义结构, 从而提高推荐性能.
(9) SEPT 是近期提出的基于自监督的社交推荐模型, 模型算法加入了用户之间的社交关系, 并且使用自监
督+Tri-training 框架来实现推荐流程.
3.3 评价指标
为了直观地评价多视角推荐模型与其他模型算法的优势, 实验将使用以下指标进行衡量.
(1) Precision: 准确率是准确推荐的物品与推荐列表中的物品总数的比率, 衡量的是推荐系统的查准率.
Precision@10 是指推荐列表中预测得分最高的前 10 个物品的准确率.

∑
|P u ∩T u |
u∈U
Precision = ∑ (13)
P u
u∈U
其中, u 表示用户, U 表示用户集合, P u 表示所有被推荐的物品, T u 表示测试集中与用户 u 交互过的物品.
(2) Recall: 准确推荐的物品和测试集中与用户交互过的所有物品的比率, 衡量的是推荐系统的查全率.

∑
|P u ∩T u |
Recall = u∈U (14)
∑
|T u |
u∈U
(3) F1: 该评价指标是 Precision 和 Recall 的加权平均值.

2×Precision×Recall
F1 = (15)
Precision+Recall
(4) NDCG (normalized discounted cumulative gain): 归一化折损累计增益, 它考虑到位置因素, 能够对一个用户
的推荐列表进行评价, 用公式表示为:

DCG
NDCG = (16)
IDCG
2 −1 2 −1
k ∑ rel i |REL| rel i
∑
其中, DCG = DCG k = , IDCG = , rel i 表示位置 i 的推荐结果的相关性, k 表示推荐列表
log (i+1) log (i+1)
i=1 2 i=1 2
的大小.
3.4 实验参数设置
为了进行公平的比较, 我们参考在基线模型原始论文中设置的最佳参数, 然后对其进行了微调, 以确保达到最
佳性能. 本文提出的模型, 在训练过程中我们将向量维度设置为 50, 正则化参数 η 设置为 0.001, 损失函数权重系
数 λ 设置为 0.002, 批处理大小设置为 2 000, 迭代次数 epoch 设置为 50, 在第 3.7 节我们将研究该模型的参数灵敏
度, 并给出最佳参数设置. 使用 Adam 优化器来优化所有模型, 初始学习率为 0.001, 温度参数为 0.1.
3.5 基线模型对比实验 (RQ1)

为了验证所提出方法的有效性, 我们将该模型与所考虑的 6 种基线模型进行了对比, 实验结果如表 3 和表 4
所示. 其中, 下划线表示基线模型中效果最好的结果, 最后一行给出了我们提出的方法与目前最好的基线模型的结
果的相对提升比例, ↑代表相对提升. 根据实验结果, 我们有如下的发现.
(1) BUIR 和 NeuMF 模型的推荐性能明显低于其他基线模型, 这是由于这两种模型都属于协同过滤方法, 没
有融入邻居信息以及额外的辅助信息, 仅依靠用户与物品之间的交互历史进行建模, 导致其无法表达用户与物品