Page 216 - 《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 695

品表示, 进而提升推荐的性能.
3.6 消融实验 (RQ2)

为了验证所提出方法中每个模块对整体推荐性能的影响, 我们考虑以下的消融实验.
(1) w/o 去掉用户视角: 表示删除模型中的用户视角, 即不考虑用户社交网络, 只将物品之间的内在联系图融
入推荐模型中.
(2) w/o 去掉物品视角: 表示删除模型中的物品视角, 即不考虑物品之间的内在联系图, 只将用户之间的社交
网络融入推荐模型中.
(3) w/o 去掉对比损失: 表示删除模型中的对比损失, 只使用推荐损失来训练整个模型.
以上变种模型的实验结果如图 2 所示, 从中我们得到以下几点结论.

去掉用户视角 3.5 去掉用户视角 去掉用户视角
4.0 去掉物品视角 去掉物品视角 去掉物品视角
去掉对比损失 去掉对比损失 4 去掉对比损失
3.5 整体模型 3.0 整体模型 整体模型
3.0 2.5
3
性能 (%) 2.5 性能 (%) 2.0 性能 (%) 2
2.0
1.5 1.5
1.0
1.0 1
0.5 0.5
0 0 0
Precision Recall F1 NDCG Precision Recall F1 NDCG Precision Recall F1 NDCG
(a) Epinions (b) Yelp (c) Ciao
图 2 消融实验结果

(1) 显而易见, 无论去掉哪个模块, 都会导致整体的推荐性能下降, 这说明模型中的每个模块都会从不同的角
度来改善用户和物品的表示, 进而提升推荐的性能.
(2) 当去掉用户视角, 即不考虑用户之间的社交网络关系时, 从图 2 中可以看出对 Ciao 数据集的影响最大, 这
表明在电商领域中用户的购买偏好受社交关系影响最大, 而 Epinions 数据集的影响要大于 Yelp 数据集, 这是由
于 Epinions 数据集是大众消费者点评网站, 用户的反馈程度占比较大, 因此在此数据集上用户的贡献度较大, 在
Epinions 数据集、Yelp 数据集以及 Ciao 数据集下, 当去掉用户视角时, 根据消融实验结果, 各项评价指标都在下
降, 在 Epinions 数据集下, Precision、Recall、F1、NDCG 指标相对降低比例分别为 5.7%、7.9%、6.5%、8.4%;
在 Yelp 数据集下, Precision、Recall、F1、NDCG 指标相对降低比例分别为 1.3%、3.0%、1.6%、4.1%; 在 Ciao
数据集下, Precision、Recall、F1、NDCG 指标相对降低比例分别为 17.0%、18.5%、7.1%、26.7%. 因此, 根据实
验数据相对降低比例以及图 2, 用户之间的社交关系对推荐结果起着很大的正向作用.
(3) 当去掉物品视角, 即不考虑物品之间的内在联系时, 在 3 个数据集上的推荐性能下降最为明显, 在
Epinions、Yelp 以及 Ciao 数据集下, 当去掉物品视角时, 根据消融实验结果, 各项评价指标都在下降, 在 Epinions
数据集下, Precision、Recall、F1、NDCG 指标相对降低比例分别为 9.2%、11.6%、10.3%、12.5%; 在 Yelp 数据
集下, Precision、Recall、F1、NDCG 指标相对降低比例分别为 6.4%、7.1%、6.9%、9.5%; 在 Ciao 数据集下,
Precision、Recall、F1、NDCG 指标相对降低比例分别为 19.2%、20.1%、2.5%、34.0%. 这表明, 通过挖掘物品之
间的内在联系 (比如类别关系) 一方面可以融入相同物品之间的共性特征, 另一方面可以学到更好的物品表示, 进
而显著提升推荐性能.
(4) 在我们提出的模型中, 用户视角和物品视角下的对比学习作为推荐中的辅助任务是为了学到更好的用户