基于对比学习与渐进式学习策略的条件扩散去噪技术,用于构建鲁棒的社会推荐系统
《Data Science and Management》:Conditional diffusion denoising for robust social recommendation with contrastive learning and curriculum learning strategies
【字体:
大
中
小
】
时间:2026年03月16日
来源:Data Science and Management CS11.9
编辑推荐:
韩旺|王少青|孙顺|胡晓丹|孙福珍
中国山东省淄博市山东技术学院计算机科学与技术学院,255000
摘要
社会推荐系统利用用户之间的社会关系来缓解数据稀疏性和冷启动问题。然而,其性能往往受到社交网络中普遍存在的结构噪声(如弱连接和虚假互动)的制约。尽管现有的基于图神
韩旺|王少青|孙顺|胡晓丹|孙福珍
中国山东省淄博市山东技术学院计算机科学与技术学院,255000
摘要
社会推荐系统利用用户之间的社会关系来缓解数据稀疏性和冷启动问题。然而,其性能往往受到社交网络中普遍存在的结构噪声(如弱连接和虚假互动)的制约。尽管现有的基于图神经网络的推荐模型能够有效捕捉高阶社会信号,但它们仍容易通过邻居聚合放大和传播社会噪声,从而导致用户表示失真,进而降低系统的鲁棒性和泛化能力。现有研究试图通过注意力机制或基于正则化的去噪方法来解决这些挑战,但这些方法通常缺乏自适应的噪声抑制能力以及确保表示一致性的有效约束。为应对这些挑战,本文提出了一种结合对比学习与课程学习策略的条件扩散去噪模型——用于鲁棒社会推荐的CDDSR模型。CDDSR利用扩散模型的生成式去噪能力,通过正向噪声注入和条件引导的逆向去噪过程,明确建模并净化社会噪声。具体而言,该模型设计了双分支条件引导机制,整合用户的歷史交互偏好和交互图结构信息,共同引导去噪过程。同时,引入了条件感知的对比学习与课程学习策略,以提升表示一致性并动态优化训练过程。在三个真实世界数据集上的广泛实验表明,CDDSR的表现始终优于最强的基线模型。在Ciao数据集上,Recall@20和NDCG@20分别提升了1.24%和3.20%;在Epinions上,提升幅度达到10.91%和16.42%;在Yelp上,CDDSR分别实现了4.21%和2.05%的提升。源代码可在https://github.com/UserWH2002/CDDSR.git获取。
引言
在线社交平台的快速发展带来了日益丰富的用户交互数据,同时也加剧了对个性化信息筛选的需求。作为推荐系统的重要分支,社会推荐系统利用用户之间的社会联系(如关注、信任和群体成员身份),通过传递社会影响力和信任信号,提升推荐的可靠性和可解释性。这一范式基于社会学中的同质性原理[1],即社会上相互关联的用户往往具有相似的偏好,从而提供超出行为交互数据的补充信号。现有的社会推荐方法大致遵循两种主要范式:早期研究采用带有社会正则化的矩阵分解方法,将社会关系作为联合优化目标中的约束条件;而较新的方法则依赖图神经网络,在用户-物品交互图和用户-用户社会图上进行消息传递,通过多跳聚合捕捉高阶协作信号。尽管这些方法显著提升了推荐性能,但它们仍然面临一些持续存在的挑战,包括社会噪声的放大、异构信息的无效整合,以及所学表示的鲁棒性不足。
近年来,基于图神经网络的方法[2][3]已成为社会推荐领域的主流范式。通过在社会关系图上执行多层信息聚合,这些方法提升了用户社会同质性的建模能力,使得捕捉高阶协作信号成为可能。然而,这类方法严重依赖于邻居聚合机制,因此对现实社交图中普遍存在的结构噪声极为敏感。在迭代的消息传播和特征平滑过程中,噪声较大的社会关系可能会不断被放大并嵌入到用户表示中,从而导致表示失真和推荐性能下降。社交图中的噪声主要源于某些社会关系的模糊性和低同质性:许多连接(如单向关注、被动添加,或与不可靠账户的互动[4])并不一定反映真正的偏好相似性。如图1所示,用户u2和u4之间的社会联系就是一个无效连接,无法体现共同的兴趣。如果在表示传播过程中不加区分地纳入此类邻居信息,就可能会引入与用户真实兴趣不一致的偏好信号。例如,噪声较大的社会连接可能会导致向u4推荐u2偏好的游戏机,或者相反,向u2推荐u4偏好的口红,尽管两者之间实际上并无真正的偏好相似性。这类偏差源于噪声较大的社会关系,最终会削弱推荐的个性化和准确性。相比之下,图1中的绿色箭头表示由共享偏好驱动的有效社会关系所产生的正确推荐。这一对比表明,有效的社会推荐依赖于与偏好一致的社交联系,而无关或不一致的社交联系则容易引入噪声,降低推荐质量。因此,明确建模并抑制社会噪声对于构建鲁棒的社会推荐模型至关重要。
尽管已取得显著进展,现有的社会推荐方法在处理结构噪声和学习鲁棒的用户表示方面仍存在局限性。传统的矩阵分解模型(如TrustMF[5])依赖于线性假设,这限制了它们捕捉复杂且非对称的社会影响力的能力。基于注意力的模型(如GraphRec[6]、SAMN[7])虽然能为邻居分配自适应权重,但往往缺乏识别和抑制噪声连接的明确机制。一些近期研究引入了图去噪模块(如GDMSR[8])或跨视图对齐策略(如DSL[9])。然而,这些方法大多依赖于预定义的启发式规则或手动指定的阈值,这可能限制其在不同噪声场景下的适应性。因此,开发具备自适应社会去噪能力的鲁棒推荐框架仍然是一个未解之谜。
扩散模型作为一种生成式学习框架,近年来在图像合成和语音处理等领域受到了越来越多的关注[10][11][12][13]。它们的工作原理是通过正向过程逐步用噪声污染数据,再通过逆向去噪过程学习恢复干净的数据分布[14]。这种架构使得能够明确建模噪声结构,并对潜在表示进行迭代优化。这些特性使得扩散模型成为处理含噪声关系数据的推荐场景的理想候选者[15][16][17]。此外,其灵活的条件控制机制还具备可扩展性,能够整合多源条件信号来指导生成过程,这使其特别适合于社会推荐中异构信息融合和噪声抑制的需求。
尽管扩散模型具有强大的生成能力,且在表示学习领域取得了近期成功,但在应用于社会推荐场景时仍面临诸多挑战。首先,社交网络本质上包含噪声较大且异构性强的关系,其中无效或薄弱的社交联系可能会掩盖真实的偏好信号。如何在保留有价值的社会信号的同时,明确建模这类结构噪声,仍是一个核心挑战。其次,推荐任务通常涉及多个数据源之间的复杂语义依赖关系,包括交互行为和社会结构。在扩散训练过程中有效协调这些异构信号,以提高系统的鲁棒性和泛化能力,是另一个关键挑战。
为解决这些问题,我们提出了用于鲁棒社会推荐的条件扩散去噪模型CDDSR,该模型将条件扩散建模与表示对齐及自适应优化策略相结合。其核心思想是利用多源条件信号引导扩散去噪过程,从而在噪声较大的社会环境中实现用户表示的精准优化。具体而言,我们设计了一种双分支条件注入机制,同时整合语义偏好信息和图结构信息。从用户的历史交互中得到的物品语义嵌入可作为偏好先验,而从交互图中提取的结构表示则提供拓扑约束。这些互补的条件共同引导扩散过程,在抑制噪声社会信号的同时保留有意义的偏好语义。为提升表示的一致性,该模型还引入了条件感知的对比学习对齐机制。它通过两个互信息最大化目标,分别约束用户表示与偏好条件之间的语义一致性,以及去噪后的表示与结构条件之间的结构一致性。此外,考虑到噪声样本可能在训练过程中引入不稳定的优化动态,我们采用了基于样本难度的课程学习策略。通过根据估计的噪声水平,将训练样本从简单到复杂进行有序组织,模型能够逐步学习出更鲁棒的表示,并实现更稳定的收敛。最后,我们将无分类器引导训练策略集成到条件扩散框架中。这种设计使得条件生成路径和无条件生成路径之间能够动态融合,从而在保持对不完整或缺失条件信息鲁棒性的同时,提升表示的区分度。通过条件扩散建模、表示对齐和自适应训练策略的协同作用,所提出的框架有效地提升了社会推荐任务中的噪声鲁棒性和泛化能力。我们的主要贡献如下:
• 我们提出了一种用于鲁棒社会推荐的条件扩散去噪模型,将该模型将多源条件信号系统地整合到扩散模型的逆向去噪过程中,从而实现对社会关系噪声的明确建模和自适应抑制。
• 我们设计了一种协同优化机制,将条件感知的对比学习与课程学习相结合。通过最大化互信息来提升多视图表示之间的一致性,并通过课程学习策略动态调整训练难度,显著提升了模型的泛化能力和收敛稳定性。
• 我们在三个真实世界数据集上进行了全面的对比实验。实验结果表明,所提出的模型显著优于现有的最先进基线方法,充分证明了其在社会推荐任务中的有效性和先进性。
章节概要
初步知识
本节介绍了我们方法所需的初步知识,包括社会推荐的符号说明和任务描述,随后简要概述了支撑我们所提方法的扩散建模框架。
所提方法
本文提出了一种端到端的条件扩散去噪模型,旨在通过多源条件引导的生成式去噪机制,提升社会推荐系统中用户表示的区分度和鲁棒性。该模型首先使用图卷积网络对用户-物品交互图和用户-用户社会图进行编码,提取用户和物品的初始嵌入表示。随后,它构建了一个条件扩散……
实验
本节我们通过一系列实验来评估CDDSR模型的性能,重点探讨以下四个研究问题:
• RQ1:我们的CDDSR模型与不同的推荐基线方法相比表现如何?
• RQ2:CDDSR框架中不同模块的设计如何影响推荐性能?
• RQ3:关键超参数的不同设置如何影响CDDSR模型的推荐精度?
• RQ4:相关数据的噪声规模如何影响……
相关工作
本节回顾了扩散模型在推荐系统中的应用、推荐系统中的对比学习研究,以及社会推荐领域的相关工作。
结论
本文系统研究了社会推荐中的噪声抑制和鲁棒表示学习问题。为解决现有方法在明确建模噪声和自适应训练方面的局限性,我们提出了用于鲁棒社会推荐的条件扩散去噪模型CDDSR。通过将生成式扩散建模与多源条件信号相结合,该框架实现了对噪声数据的结构化建模和逐步净化……
CRediT作者贡献声明
韩旺:写作——审阅与编辑,写作——初稿撰写,软件,方法论。王少青:写作——审阅与编辑,概念设计。孙顺:写作——审阅与编辑,研究分析。胡晓丹:验证,形式分析。孙福珍:监督,研究分析。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。韩旺目前是山东技术学院的硕士生,研究方向为推荐系统,她是中国计算机学会的会员。邮箱:wanghan011216@gmail.com
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号