结构级跨域推荐中的超项交互与对比学习

《IEEE Computational Intelligence Magazine》:Super–Item Interaction With Contrastive Learning for Structure-Level Cross-Domain Recommendation

【字体: 大 中 小 】 时间:2026年04月03日 来源:IEEE Computational Intelligence Magazine 11.2

编辑推荐:

  跨域推荐旨在利用多领域知识以缓解数据稀疏性和冷启动问题。尽管传统的跨域设置通常涉及语义领域(例如电影与书籍),但近期研究已扩展至反映不同类型交互图的结构级领域。为此,研究人员提出了一种用于结构级跨域推荐的超项交互与对比学习框架(SI2CL),该框架旨在探索项级

  
跨域推荐旨在利用多领域知识以缓解数据稀疏性和冷启动问题。尽管传统的跨域设置通常涉及语义领域(例如电影与书籍),但近期研究已扩展至反映不同类型交互图的结构级领域。为此,研究人员提出了一种用于结构级跨域推荐的超项交互与对比学习框架(SI2CL),该框架旨在探索项级结构关联并在基于图的领域之间迁移知识。具体而言,SI2CL整合了一个用户-项交互图和一个项-项图,分别捕捉显式和隐式信号,并通过对比去噪解决噪声或稀疏连接带来的挑战。超项交互进一步通过建模高连接度项和簇的共享偏好来促进知识迁移。通过重构项-项图并利用结构感知对比学习将其与用户反馈对齐,该方法揭示了潜在的项关系并提高了推荐的鲁棒性。大量实验验证了SI2CL在稀疏或冷启动推荐场景中提高准确性和多样性的有效性。
推荐系统作为连接用户与关键信息的重要工具,已在各个领域得到广泛应用。然而,传统的单域推荐系统在处理数据稀疏性、冷启动以及用户兴趣多样化等问题时存在局限性。当历史用户数据充足时,传统系统表现良好,但在数据稀疏的情况下,由于交互数据不足,用户和项的特征难以准确捕捉,导致推荐准确性下降。此外,冷启动问题使得新用户或新项缺乏历史交互数据,难以进行准确嵌入和预测。特别是在引入辅助图后,稀疏数据中的节点噪声会被放大,导致模型学习到的关系不可靠,进一步降低推荐的准确性和泛化能力。为了解决这些挑战,研究人员提出了SI2CL框架,旨在通过双向跨域推荐策略实现信息互补,利用相似或相同用户的嵌入在两个领域之间双向传输信息,从而缓解单域数据对性能的负面影响。

研究人员主要采用了以下关键技术方法:构建用户-项交互图和项-项图以分别捕捉显式和隐式信号;识别超项(具有强关联性的项)作为簇的种子节点,利用约束种子K-means聚类将项空间划分为多个簇;采用图腐败策略,基于余弦相似度过滤项-项图中的噪声边,以保留重要节点的关键信息;应用结构感知对比学习,通过最大化正样本对相似性并最小化负样本对相似性,对项嵌入进行去噪和优化;最后通过多层感知机结合用户表示和项表示进行评分预测。研究使用了三个真实世界的数据集:Epinions、Dianping和Douban-book,这些数据集允许用户对商品进行评分、撰写评论并选择关注或信任其他用户。

在研究结果方面,首先,SI2CL在所有指标和所有数据集上均表现出优异的准确性,显著优于13种最先进的基础模型。例如,在Douban数据集(80%训练数据)上,SI2CL的MAE为0.4150,RMSE为0.4876,优于最强的竞争对手NCL。其次,SI2CL在排名质量方面表现出色,NDCG@20指标优于其他对比学习方法,特别是在低资源(60%)设置下,证明了其在冷启动场景下的鲁棒性。第三,消融实验证实了对比学习模块、项-项图和超项聚合模块各自独立且不可或缺的作用。去除任何组件都会导致MAE和RMSE指标增加,表明这些组件在去噪、增强表示能力和结构化项空间方面具有互补贡献。第四,超参数实验显示,聚类数量k=4和温度系数τ=0.3在数据集之间提供了最佳的性能与稳定性平衡。

在讨论部分,研究人员指出,尽管SI2CL在提高推荐准确性和多样性方面取得了显著成效,但仍存在未来研究的空间。首先,未来工作可以探索更丰富的项关系,如从文本描述、视觉嵌入或知识图谱中获取语义相似性,以增强辅助项-项图的表达能力,特别是在多模态或异构领域。其次,将超项交互范式与预训练技术或领域适应框架相结合,可能会提高模型在未见领域或任务上的泛化能力,特别是当用户行为差异巨大时。最后,现实世界的部署需要在性能、计算成本和鲁棒性之间取得平衡。因此,设计轻量级、可扩展且注重隐私的SI2CL变体,对于在边缘设备或联邦环境中的大规模应用至关重要。研究结论表明,SI2CL通过整合辅助项-项图和对比学习,有效解决了现有模型主要依赖用户-项交互的局限性,特别是在冷启动和稀疏数据场景中,通过去噪项-项图实现了更细致的项关系表示,显著提升了推荐系统的性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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