基于多视图融合跨层对比学习的推荐算法

作者：顾嘉静; 杨丹^*; 聂铁铮; 寇月

来源：计算机工程, 2023, 1-8.

DOI：10.19678/j.issn.1000-3428.0066906

• 图神经网络
• 对比学习
• 视图增强
• 多视图融合
• 推荐算法

现有的基于图对比学习的推荐模型，在图数据增强方面通常只采用一种视图增强方法，忽略了单一的方法存在的局限性，在对比学习方面通常只对比同一节点的一对视图，并没有充分利用各个视图不同的层嵌入。因此，提出了一个基于多视图融合跨层对比学习的推荐算法框架(Recommendation Algorithm with Multi-view Fusion Cross-layer Contrastive Learning ， MFCCL)。该框架构造了全局和局部共三个视图，分别采用了三种不同的视图增强方法，以实现有效的用户表示。对于两个全局视图使用随机边丢弃和随机添加噪音的增强方法进行构建，对于局部视图使用奇异值分解的方法进行构建。同时提出了一种新的对比学习方法，多视图融合跨层对比学习，该方法将两个全局视图不同的层嵌入通过平行和交叉两种方式融合后进行对比，以获取更多的特征信息。多视图跨层对比学习与全局—局部视图对比学习相结合，联合优化模型，以此提升推荐性能。在Yelp、Tmall、Amazon-book三个公开数据集上进行了大量的实验，实验结果表明MFCCL的有效性和可行性。其中，相较于性能最优的基线方法SimGCL，MFCCL在三个数据集下的Recall@20增益分别达到了15.0%，13.3%，28.7%，NDCG@20值分别提升了14.3%，13.2%，29.6%。

• 单位
  东北大学; 辽宁科技大学