基于多视图融合跨层对比学习的推荐算法

摘要：

现有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,未充分利用各个视图不同的层嵌入.为此,提出一种基于多视图融合跨层对比学习的推荐算法框架(MFCCL).MFCCL分别使用随机边丢弃和随机添加噪声的增强方法构建2个全局视图,使用奇异值分解的方法构建局部视图,通过3种不同的视图增强方法构造全局和局部共3个视图,以实现有效的用户表示.同时,提出一种新的多视图融合跨层对比学习方法,该方法将2个全局视图不同的层嵌入通过平行和交叉2种方式进行融合后作对比,以获取更多的特征信息.将多视图融合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,从而提升推荐性能.在Yelp、Tmall和Amazon-book这3个公开数据集上进行实验,结果表明,MFCCL在推荐任务中具有有效性和可行性,相较于对比模型中性能最优的基线模型SimGCL,MFCCL在 3 个数据集中的Recall@20 增益分别达到 15.0%、13.3%和 28.7%,NDCG@20 值分别提升14.3%、13.2%和29.6%.

关键词：图神经网络、对比学习、视图增强、多视图融合、推荐算法

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;辽宁省教育厅科学研究项目

在线出版日期：2024-01-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：120-128