Page 215 - 《软件学报》2026年第2期

694 软件学报 2026 年第 37 卷第 2 期

之间复杂的高阶关系, 进而导致推荐性能下降.
(2) LightGCN 是一种基于图神经网络的协同过滤方法, 也是我们提出的模型的基础编码器, 它的性能要优于
BUIR 和 NeuMF, 这表明考虑用户与物品之间的高阶关系有助于改进推荐性能.

表 3 基线模型对比实验结果 (Precision@10, Recall@10)

Epinions Yelp Ciao
模型
Precision@10 Recall@10 Precision@10 Recall@10 Precision@10 Recall@10
BUIR 0.011 0 0.019 8 0.007 14 0.033 0 0.024 5 0.037 5
NeuMF 0.009 5 0.016 9 0.003 6 0.015 6 0.017 8 0.027 8
LightGCN 0.018 0 0.032 5 0.006 6 0.030 3 0.024 6 0.040 5
DiffNet++ 0.013 2 0.024 4 0.004 4 0.019 9 0.017 1 0.028 0
MHCN 0.020 1 0.034 0 0.007 2 0.032 5 0.021 5 0.031 2
SGL 0.021 6 0.039 3 0.006 8 0.022 7 0.022 4 0.039 2
SimGCL 0.021 3 0.031 9 0.006 2 0.032 5 0.023 1 0.041 9
LightGCL 0.022 1 0.038 6 0.006 9 0.032 8 0.025 1 0.040 8
SEPT 0.022 6 0.040 1 0.007 7 0.033 0 0.024 8 0.039 8
Ours 0.023 0 0.041 5 0.007 9 0.035 0 0.027 0 0.042 8
提升 (%) ↑1.7 ↑3.4 ↑2.5 ↑6.0 ↑8.2 ↑7.0

表 4 基线模型对比实验结果 (F1@10, NDCG@10)

Epinions Yelp Ciao
模型
F1@10 NDCG@10 F1@10 NDCG@10 F1@10 NDCG@10
BUIR 0.014 1 0.019 1 0.011 7 0.020 5 0.029 7 0.039 5
NeuMF 0.012 1 0.015 3 0.005 9 0.009 6 0.021 7 0.027 1
LightGCN 0.023 2 0.030 3 0.010 8 0.018 9 0.030 6 0.039 4
DiffNet++ 0.017 1 0.021 4 0.007 2 0.011 8 0.021 2 0.025 9
MHCN 0.025 3 0.033 8 0.011 9 0.020 4 0.030 9 0.041 7
SGL 0.024 5 0.035 9 0.011 4 0.019 6 0.026 9 0.036 5
SimGCL 0.023 6 0.037 9 0.012 3 0.020 8 0.030 2 0.041 5
LightGCL 0.027 9 0.039 6 0.000 57 0.020 3 0.028 9 0.039 8
SEPT 0.028 9 0.038 0 0.012 5 0.021 3 0.031 1 0.042 0
Ours 0.029 4 0.039 8 0.012 9 0.022 0 0.032 4 0.043 2
提升 (%) ↑1.7 ↑4.7 ↑3.2 ↑3.2 ↑4.0 ↑2.8

(3) DiffNet++和 MHCN 是两种社交推荐模型, 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. 另外引入社交关系的实验效果要优于单纯的协同过滤方法, 这也说明了融
入社交网络对推荐性能的改善有正向作用.
(4) SGL、SimGCL 和 LightGCL 模型都是近期提出的基于自监督学习的推荐方法, 其中, SGL 和 LightGCL 是
对用户-物品二部图进行扰动得到的自监督信号, 而 SimGCL 是对用户和物品的表示向量进行扰动, 得到自监督信
号, 但是它们都忽略了社交网络信息和物品类别信息, 因此其推荐性能略差于本文所提出的模型.
(5) SEPT 是目前最好的方法, 它不仅考虑了用户之间的社交网络, 而且利用对比学习来增强模型的表达能力,
这使得 SEPT 方法要优于其他基线模型. 但是, 它忽略了物品之间的内在联系, 无法对物品的表示更好地建模, 导
致它的性能要差于我们的模型.
(6) 结合表 3、表 4 的实验结果可以发现, 我们所提出的方法一致地优于所有考虑的基线模型, 而且与目前最
好的 SEPT 模型相比, 我们的模型在 3 个数据集上以及 4 种不同的评价指标下均有不同程度的提升, 这说明引入
物品之间的内在联系可以进一步改善推荐性能, 尤其在 Ciao 数据集上的提升效果更为明显, Precision@10 的提升
最高可达 8.2%, 这说明融入物品关系图一方面可以改善推荐系统中的数据稀疏问题, 另一方面可以学到更好的物