融合图破坏与对比学习的跨域推荐方法

摘要

跨域推荐作为一种有效解决传统推荐系统数据稀疏性问题的方法，近年来广泛受到关注.现有的跨域推荐模型通常通过迁移源领域的丰富信息来弥补目标领域的稀疏数据，从而提升推荐效果.这些方法面临两个主要挑战：一方面，迁移的辅助信息可能包含噪声，干扰源领域有效信息的传播；另一方面，许多模型未能充分挖掘用户-物品交互图中的高阶信息，尤其是物品之间的潜在关系.为解决这些问题，本文提出了一种融合图破坏与对比学习的跨域推荐方法，引入“超级用户”和“超级物品”的概念.通过将活跃的超级用户和超级物品作为信息传播的核心，构建用户圈和物品圈，形成跨域知识关联的桥梁.此外，本文还提出了一种创新的图破坏技术框架，结合对比学习，能够更加有效地挖掘潜在的用户与物品关系，优化推荐性能.实验结果表明，所提出的方法在多个现有推荐模型中展现了显著优势，验证了其在复杂推荐任务中的有效性和优越性.

关键词

图神经网络 / 推荐系统 / 跨域推荐 / 图破坏 / 对比学习