Page 218 - 《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 697

据用户社交网络关系以及物品类别找到与当前用户 (物品) 更相似的类别, 其相似样本就可能存在于负样本中. 经
过充分的实验验证了在 Epinions 数据集、Yelp 数据集以及 Ciao 数据集上, 模型达到最优的温度参数分别取值为
0.1、0.2、0.5.

0.035 0.045
0.040 0
0.037 5 0.030 Precision
Precision Recall 0.040
0.035 0 Recall 0.025 F1
F1 NDCG 0.035 Precision
0.032 5
性能 NDCG 性能 0.020 性能 F1
Recall
0.030 0
NDCG
0.027 5 0.015 0.030
0.025 0
0.010
0.022 5 0.025
0.002 0.004 0.006 0.008 0.010 0.002 0.004 0.006 0.008 0.010 0.002 0.004 0.006 0.008 0.010
损失函数权重 λ 损失函数权重 λ 损失函数权重 λ
(a) Epinions (b) Yelp (c) Ciao
图 3 损失函数权重 λ 实验结果

0.035
0.040 0.042 5
0.030 Precision 0.040 0
0.035 Recall 0.037 5
Precision 0.025 F1 0.035 0 Precision
NDCG
Recall
Recall
性能 0.030 F1 性能 0.020 性能 0.032 5 F1
NDCG
NDCG
0.030 0
0.015
0.025
0.027 5
0.010
0.020 0.025 0
0.2 0.4 0.6 0.8 1.0 0.2 0.4 0.6 0.8 1.0 0.2 0.4 0.6 0.8 1.0
温度参数 τ 温度参数 τ 温度参数 τ
(a) Epinions (b) Yelp (c) Ciao
图 4 温度参数 τ 实验结果
4 总 结
我们提出了基于多视角的自监督推荐模型, 分别从偏好视角、用户视角、物品视角详细介绍了模型细节. 我
们采用多视图共同训练的方式生成自监督信号, 充分利用用户-物品交互图、社交网络图、物品联系图之间的用
户、物品关系, 并使用互信息估计中的对比损失函数计算对比损失, BPR 来计算推荐损失. 我们的模型分别在 3
个公开数据集上进行了充分的实验, 并做了消融实验、参数灵敏度分析, 在消融实验中, 可以看到我们去掉任何一
个视角都会降低我们提出的整体模型的实验结果, 我们分别在损失函数系数和对比损失中的温度系数两个参数下
充分进行了实验, 对实验结果做了充分的介绍和说明. 实验结果一致地表明我们的模型在提高推荐性能方面得到
了验证.

References
[1] Wu SW, Sun F, Zhang WT, Xie X, Cui B. Graph neural networks in recommender systems: A survey. ACM Computing Surveys, 2023,
55(5): 97. [doi: 10.1145/3535101]
[2] Liu X, Zhang FJ, Hou ZY, Mian L, Wang ZY, Zhang J, Tang J. Self-supervised learning: Generative or contrastive. IEEE Trans. on
Knowledge and Data Engineering, 2023, 35(1): 857–876. [doi: 10.1109/TKDE.2021.3090866]
[3] Chen T, Kornblith S, Norouzi M, Hinton G. A simple framework for contrastive learning of visual representations. In: Proc. of the 37th
Int’l Conf. on Machine Learning. 2020. 1597–1607.
[4] Han T, Xie W, Zisserman A. Self-supervised co-training for video representation learning. In: Proc. of the 34th Int’l Conf. on Neural