基于特征优化解耦的轻量化对比学习推荐算法

Optimization and decoupling-based lightweight contrastive learning for recommendation

摘要

在现有的对比学习中，大都使用基于节点和边丢弃的数据增强方法来构建对比视图，会丢失部分原始语义，导致生成的正样本不理想。同时，对比学习架构较为复杂且深度堆叠图神经网络会导致学习到的特征维度冗余，增加计算成本。为解决上述问题，提出了一种基于特征优化解耦的轻量化对比学习推荐算法，通过表示级数据增强的交叉对比学习方法生成嵌入，并利用自适应惩罚机制解耦特征维度间的相关性，从而优化嵌入表示的质量，提升推荐效果。首先，在各层嵌入添加均匀随机噪声进行数据增强以最大化正样本间互信息，通过共享单次传递来统一对比任务实现轻量化学习架构；其次，分别对用户和物品的表示矩阵进行自适应惩罚，动态调整每层的惩罚系数，以降低特征冗余。实验结果表明：在Yelp、Amazon-Books、Alibaba-iFashion数据集上，本文方法效果显著，NDCG指标和Recall指标分别提升了8.39%、8.89%、8.3%和13.42%、11.96%、16.6%。

Abstract

In existing contrastive learning methods， most approaches rely on node and edge dropout-based data augmentation to construct contrastive views. However， this often leads to the loss of important information， resulting in suboptimal positive samples. Moreover， the complex architecture of contrastive learning， combined with deeply stacked graph neural networks， frequently causes feature dimension redundancy and increases computational costs. To address these issues， this paper proposes a lightweight contrastive learning recommendation algorithm based on feature optimization and decoupling. The method employs a representation-level data augmentation strategy through cross-layer contrastive learning to generate embeddings and adopts an adaptive penalty mechanism to decouple the correlation between feature dimensions， thereby improving embedding quality and enhancing recommendation performance. First， uniform random noise is added to embeddings at each layer for data augmentation， maximizing mutual information between positive samples. A shared single-pass mechanism is utilized to unify contrastive tasks， achieving a lightweight learning architecture. Second， the user and item representation matrices are subjected to adaptive penalties， dynamically adjusting penalty coefficients at each layer to reduce feature dimension correlations. Experimental results demonstrate the significant effectiveness of the proposed method on the Yelp， Amazon-Books， and Alibaba-iFashion datasets， with improvements in the NDCG and Recall metrics by 8.39%， 8.89%， and 8.3%， and 13.42%， 11.96%， and 16.6%， respectively.

Graphical abstract

关键词

推荐算法 / 图神经网络 / 数据增强 / 特征维度

Key words

recommendation algorithm / graph neural network / data augmentation / feature dimension

0 引 言

推荐系统（Recommended system，RS）通过提供个性化的项目推荐，已被广泛应用于各种在线应用中，以解决信息过载的问题^［1］。近些年，图神经网络（Graph nerul network， GNN）凭借强大的表示学习能力在推荐领域取得了重大进步^［2，3］。基于GNN的算法为降低数据稀疏性的影响，通常利用对比学习提升节点表示质量，从而提高预测结果的准确性^［4］。

近年来，研究者们提出了多种图增强技术，旨在通过不同的扰动策略生成多样化的视图，以从不同角度揭示用户与物品之间的潜在关系。例如，文献［5］通过随机的节点丢弃和边丢弃以及嵌入掩码等技术，对用户-物品交互图进行扰动，实现图增强，生成多个对比视图，从而提供从不同角度观察和学习用户-物品关系的机会，以形成更好的表征；文献［6］通过基于拓扑结构感知剪枝策略分析边对节点的贡献程度，计算每条边能保留下来的概率，然后根据概率剪枝以进行图增强；文献［7］通过随机删除用户和物品节点及其连接，构建多个不同拓扑图结构对比视图，以增加数据的多样性，从而提高对比学习的效果。

在推荐领域，各种研究在努力解决图神经网络深度堆叠带来的推荐性能下降，大多数研究是从过平滑的角度来解决该问题，例如：文献［8］采用超图结构捕捉用户和物品间的复杂关系，并结合局部和全局的自监督信号，从而增强了用户和物品表示的区分能力，形成更好的嵌入表示；文献［9］通过理论和实证研究提出了一个新的视角（过相关问题）看待深度图神经网络的性能下降原因，并通过最小化表示中不同特征维度间的协方差来减少它们之间的相关性，以减少特征冗余。

以上的推荐算法都取得了较好的效果，但还有一些问题需要解决。在现有的图对比学习中，推荐效果依赖于特定的图增强策略，若根据边的权重进行丢弃，则需要额外的深度学习模型才能做出最佳的丢弃选择。同时，以往的对比学习架构除需推荐任务的前向/后向传播之外，在处理每个小批量数据时，还要额外进行两次前向和后向传播以完成对比任务，需要较高的计算成本。

此外，随着图神经网络层数的增加，会导致过平滑和过相关的问题，前者导致节点表示高度相似，而后者导致特征表示之间的信息冗余，这两个问题都会使模型预测的准确率下降，目前在过度平滑方面的研究已经取得了很大的进展，然而从过相关的角度出发，针对图神经网络深度堆叠导致推荐性能下降的研究较少。

为解决上述问题，本文提出了一个基于特征优化解耦的轻量化对比学习推荐算法（Feature optimization and decoupling-based lightweight contrastive learning for recommendation，FDLCL），该模型通过基于噪声的嵌入增强方法和交叉层对比学习，最大化正样本间互信息并降低计算成本，同时动态地对表示矩阵的特征维度进行相关性惩罚，缓解现有深层堆叠图神经网络产生的特征过相关问题，从而提升嵌入表示的质量。

1 FDLCL模型

1.1　符号定义和描述

本文中，模型输入是用户-项目交互数据，其中：U=\{u_{\mathrm{1}},u_{\mathrm{2}},\cdots ,u_m\}为用户集合，I=\{i_{\mathrm{1}},i_{\mathrm{2}},\cdots ,i_n\}为项目集合，m为用户数量，n为项目数量， R 为用户-物品交互矩阵，G=\{U,I,E\}为用户物品交互图。

1.2　模型整体框架

1.2.1　模型概述

FDLCL模型的整体框架如图1所示，首先，根据用户-项目二分图获取用户、项目的初始嵌入，利用用户-项目的交互矩阵与初始ID嵌入进行矩阵乘法操作，从而增强初始嵌入。接着，在图卷积网络的每一层嵌入引入随机噪声进行数据增强，再进行交叉对比学习；最后，动态地调整每一层数据增强后的用户和项目嵌入特征间的相关性。将上述的对比学习和嵌入特征去相关作为推荐的辅助任务。

主任务则利用NSE-LightGCN^［10］在交互图上线性地传播用户、物品嵌入，聚合节点信息，获取用户最终嵌入、项目嵌入。并通过BPR损失函数^［11］不断优化正样本相似性得分，降低负样本预测得分，从而使模型逐步学习用户的真实偏好。最后，主任务和辅助任务联合学习，更新用户、项目嵌入。

1.2.2　编码器

鉴于图神经网络技术在表示学习领域的突出表现，本文采用基于图神经网络的推荐模型对用户-项目二分图进行编码。NSE-LGCN^［10］是以LightGCN为骨干改进的一种简单、高效、易于实现的图嵌入方法，可以用于大规模的图表示学习。给定节点表示矩阵{\mathit{Z}}_U\in {\mathit{R}}^{|U|\times d}和{\mathit{Z}}_I\in {\mathit{R}}^{|I|\times d}，通过与交互矩阵 R 的矩阵乘法获取用户和项目的结构嵌入。

{\widehat{\mathit{Z}}}_U=\mathit{R}{\mathit{Z}}_I,{\widehat{\mathit{Z}}}_I=\mathit{R}{\mathit{Z}}_U（1）

具体聚合策略、传播机制由以下公式获得：

{\widehat{z}}_u^{(l+\mathrm{1})}=\sum _{i\in N_u}\frac{\mathrm{1}}{\sqrt[]{|N_u||N_i|}}{z}_i^{(l)}（2）

{\widehat{z}}_i^{(l+\mathrm{1})}=\sum _{u\in N_i}\frac{\mathrm{1}}{\sqrt[]{|N_u||N_i|}}{z}_u^{(l)}（3）

式中：l为卷积层数；z_u^{(l)}、z_i^{(l)}分别为第l层的用户嵌入和项目嵌入；N_u为用户节点u的交互项目集合；N_i为项目节点i对应的用户集合。

1.3　基于表示级数据增强的对比学习方法(EDA)

在图像领域通过使用高斯噪声给图像语义嵌入进行数据增强，以在保持类别一致性的同时增加图像的多样性，同时，受文献［12，13］的启发，首先对每一层聚合的嵌入添加随机噪声来获得扰动表示，以确保生成的视图能够保留原样本的重要信息，提升对比学习的效果；其次，通过共享单次传递来统一推荐任务和对比任务，以简化对比学习架构，从而提升推荐的速度。

首先，向嵌入向量添加噪声的过程中，使用符号函数以确保噪声的方向与原始嵌入向量的方向一致。具体过程为：

（1）使用符号函数\mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}(z_i)确定嵌入向量每个元素的方向，得到一个由\left\{-\mathrm{1,0},\mathrm{1}\right\}组成的向量。

（2）噪声向量\mathit{\eta }是一个与z_i形状相同的向量，为了确保噪声不会因为向量模长影响原始数据的分布情况，对该噪声进行归一化处理，保证其幅度符合预设范围。

（3）归一化的噪声向量通过与符号向量\mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}(z_i)的逐元素相乘，保证噪声向量的方向与原始嵌入z_i的方向一致。

（4）使用一个缩放因子以控制噪声的幅度。随机噪声形成的公式为：

{\eta }_i^{\mathrm{\text{'}}}=\epsilon \cdot \mathrm{s}\mathrm{i}\mathrm{g}\mathrm{n}(z_i)\cdot \mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}(\eta )（4）

式中：\epsilon为控制噪声的幅度。

最终，得到增强后的嵌入向量为：

z_i^{\mathrm{\text{'}}}=z_i+{\eta }_i^{\mathrm{\text{'}}}（5）

通过向原始表示添加缩放后的噪声向量，使z_i旋转了一个小角度。旋转对应于z_i的一个偏差，并获得一个增强的表示z_i^{\mathrm{\text{'}}}。由于旋转足够小，增强的表示仍保留了原始表示的大部分信息。对于每个节点表示，添加的随机噪声是不同的，增强过程如图2所示。

在以往的对比学习中，在每轮训练时，传统的对比学习架构使用两个前向后向传递来更新嵌入的节点，导致每轮的训练时长及总的训练时间更长。此外，前面所提的数据增强方法虽可以最大化生成正样本与原始节点的互信息，但生成的正样本之间的差异性不足，模型很难从中学习到有用的区分特征。因此，需要简化传统的对比学习架构并控制上述数据增强方法生成正样本之间的差异性。为此，使用共享单次传递来统一推荐任务和对比任务，即选择单次传递的中间层与最终层作为对比的两个视图，在每轮训练中减少一次前向后向传播，并在最大化正样本与原始节点之间的互信息的情况下，生成有差异的正样本，从而提升了推荐的准确性和速度。具体实现过程如图3所示。

最后，采用InfoNCE损失^［2］进行对比学习。InfoNCE损失可以最大化同一样本视图之间的互信息，最小化不同样本视图的信息，通过对比不同视图，模型可以提取到交互数据中额外未标注的信息，以此提升嵌入空间的表示能力和模型性能。其对比学习损失计算公式为：

L_{cl}=-\sum _{i\in B}\mathrm{l}\mathrm{o}\mathrm{g}\frac{\mathrm{e}\mathrm{x}\mathrm{p}(z_i^{\mathrm{\text{'}}}{z}_i^l/\tau )}{\sum _{j\in B}\mathrm{e}\mathrm{x}\mathrm{p}(z_i^{\mathrm{\text{'}}}{z}_j^l/\tau )}（6）

式中：l为选择的中间层；\tau为温度参数；z_i^{\mathrm{\text{'}}}和z_i^l为正样本，即最终层与中间层得到的输出；z_j^l为负样本，即同一批次中随机选择的没有交互的样本；B为同一批次中的样本；i属于B表明i选择为当前批次中的样本。

1.4　自适应特征解耦机制（AFD）

在基于图神经网络的协同过滤模型中，主要通过用户和物品的直接相邻节点来获取信息，这不足以充分捕获深度协作信号。为了解决这一限制，传统的基于图神经网络的协同过滤模型将多个图神经网络层堆叠起来以扩展感受野，但随着网络层数的增加，模型性能往往出现衰退。以往针对图神经网络协同过滤的研究通常将这种性能下降归咎于过平滑现象，即随着层数的增加，节点表示倾向于向相似性收敛。然而，大部分研究通常忽视了导致性能下降的另一个关键因素——特征的过度相关性。在图神经网络中，传播和变换过程会增强特征维度之间的相关性，尤其是在变换层堆叠较深时，模型容易出现过度参数化问题，从而导致冗余特征的提取^［9］。尽管过平滑和特征过相关是两个不同的问题，它们在一定程度上是相互关联的，通过减少特征的过度相关性，可以有效缓解过平滑问题，因为更少的冗余特征意味着更多有用信息能够被有效利用，从而提升模型的性能^［9］。

为了缓解嵌入向量特征去相关的问题，受文献［9，14］的启发，设计了一个自适应嵌入向量特征解耦网络。首先，由于用户和物品的特征分布往往存在差异，分别对它们的表示矩阵进行惩罚有助于保持模型学习到的用户-物品关系，并降低特征维度之间的相关性，从而减少特征冗余，这有助于模型学习到更有区分性的特征，提高嵌入表示的质量。其次，为了避免对深层表示过度惩罚，采用自适应策略动态调整每层的惩罚系数。具体执行过程如图4所示。

首先，对于每层嵌入，计算其特征之间的相关系数矩阵。这个矩阵反映了嵌入特征之间的两两相关性：

{\overline{p}}_C(\mathrm{Z})=\frac{\mathrm{1}}{d(d-\mathrm{1})}{\sum _{i\ne j}\rho (Z_{*i},Z_{*j})}^{\mathrm{2}},i,j\in \{\mathrm{1,2},\cdots ,d\}（7）

式中：d为特征的维度；Z_{\mathrm{*}i}为用户和物品的第i个特征；\rho (x,y)为向量x和y之间的皮尔逊相关系数。

\rho (x,y)=\frac{\sum (x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{\sum (x_i{-\overline{x})}^{\mathrm{2}}(y_i{-\overline{y})}^{\mathrm{2}}}}（8）

\rho (x,y)的取值范围在-1到1之间，绝对值越大，表示对应向量之间的相关性越强。

对于具有特定层数的基于图神经网络的协同过滤模型，深层的嵌入表示通常具有更高的平滑性，同时也具有更高的特征相关性^［15］。考虑到特征平滑性对基于图神经网络的协同过滤模型有效性的贡献，在限制模型最终表示的特征相关性的同时，保持深层表示的平滑性至关重要^{［15，16］}。因此，为深层表示分配较低的惩罚系数，具体如下：

\left\{\begin{array}{l}{\lambda }_u^{(l)}=\frac{\mathrm{1}/{\overline{p}}_C(Z_U^{(l)})}{{\displaystyle \sum _{i=\mathrm{1}}^L}\mathrm{1}/{\overline{p}}_C(Z_U^{(i)})}\\ {\lambda }_i^{(l)}=\frac{\mathrm{1}/{\overline{p}}_C(Z_I^{(l)})}{{\displaystyle \sum _{i=\mathrm{1}}^L}\mathrm{1}/{\overline{p}}_C(Z_I^{(i)})}\end{array}\right.（9）

根据每层用户和物品嵌入的特征相关性动态调整惩罚系数，可以在训练过程中更好地控制模型的复杂度，从而降低过拟合的风险。综上，本文的特征去相关损失如下：

L_{\mathrm{f}\mathrm{d}}={\displaystyle \sum _{l=\mathrm{1}}^L}{\lambda }_U^{(l)}{\overline{p}}_C(Z_U^{(l)})+{\lambda }_I^{(l)}{\overline{p}}_C(Z_I^{(l)})（10）

通过计算用户和物品在每一层的嵌入之间的特征维度相关性，模型能捕捉到这些嵌入向量之间的依赖关系，尤其是它们在不同层次上的交互方式。在计算了每层的相关性后，模型为每一层的相关性分配了一个权重系数。这个权重系数是相关性较小的层会获得更大的权重，而相关性较大的层则会获得较小的权重。这种加权机制使得模型能够更加强调那些有助于解耦的层，从而抑制特征维度间的高相关性。

1.5　损失函数

经过GNN编码器的消息传播和聚合机制后，获得了最终的用户嵌入z_u、物品嵌入z_i。针对测试集的用户和物品，预测两者交互的分数，分数越高表示用户对该物品感兴趣的程度越高。预测分数生成过程如公式：

{\widehat{y}}_{ui}=z_u^{\mathrm{T}}{z}_i（11）

式中：z_i和z_u分别为待预测的用户和物品嵌入；{\widehat{y}}_{ui}为预测分数。

得到预测结果后，需要对模型进行优化，通过计算损失函数衡量预测结果与真实标签的差异。本文采用多任务联合学习，针对不同任务设计不同损失函数。首先，计算主任务损失，采用成对贝叶斯个性化排名（BPR）损失，其正用户-物品对的预测得分高于负用户-物品对的预测得分。它针对每个用户的物品偏好进行排序优化，并引入贝叶斯先验，从而减少了模型的过拟合，公式如下：

L_{\mathrm{b}\mathrm{p}\mathrm{r}}=-\sum _{i\in N_u}\sum _{j\notin N_u}\mathrm{l}\mathrm{o}\mathrm{g}(z_u^{\mathrm{T}}{z}_i-z_u^{\mathrm{T}}{z}_j)（12）

式中：i为用户u的感兴趣的物品；j为用户未交互的物品。

将主任务损失和辅助任务损失结合起来得到模型的总损失：

L=L_{\mathrm{b}\mathrm{p}\mathrm{r}}+{\lambda }_{\mathrm{1}}{L}_{\mathrm{c}\mathrm{l}}+{\lambda }_{\mathrm{2}}{L}_{\mathrm{f}\mathrm{d}}+{\lambda }_{\mathrm{3}}||\Theta |{|}_{\mathrm{2}}^{\mathrm{2}}（13）

式中：L_{\mathrm{b}\mathrm{p}\mathrm{r}}为主任务损失；L_{\mathrm{c}\mathrm{l}}为对比学习损失；L_{\mathrm{f}\mathrm{d}}为特征去相关损失；{\lambda }_{\mathrm{1}}\mathrm{、}{\lambda }_{\mathrm{2}}和{\lambda }_{\mathrm{3}}为正则化参数；\Theta为可学习的模型参数。

1.6　模型伪代码

为了便于读者快速梳理本文思路，给出FDLCL模型的伪代码，如表1所示。

2 实验结果与分析

本文在3个公开数据集上进行大量实验，将本文算法与其他推荐算法进行对比分析，通过模型分析实验进一步分析算法设计的合理性和有效性。

2.1　实验设置

2.1.1　实验环境

实验环境配置如下：显卡配置为NVIDIA GeForce RTX 2080Ti，操作系统为Ubuntu 18.04，编程语言Python，深度学习框架为Pytorch。

2.1.2　数据集信息

为了验证本文推荐模型在不同场景、规模和稀疏程度数据集上的效果，采用3个公开的数据集Yelp、Gowalla和Alibaba-iFashion进行实验。训练集、验证集和测试集比例为8∶1∶1，数据集信息如表2所示。

2.1.3　评价指标

本文使用Recall@K和NDCG@K作为评价top-k推荐的指标，本文k取20。其中，Recall评估了模型的推荐物品列表中用户感兴趣的数量，NDCG用于评估模型推荐物品列表排序结果。这两个指标越高，表明模型推荐性能越好。

2.1.4　比较模型和参数设置

为了验证FDLCL的有效性和先进性，选取现有性能优秀的协同过滤模型进行比较，LightGCN^［8］、NSE-LGCN^［10］、MultiGCCF^［17］、DGCF^［18］。相关参数设置如下：batch size为\mathrm{4}\mathrm{096}，使用Xavier作为所有默认参数初始化方法，卷积层数为3层，学习率为0.001。

2.2　模型性能

为了更直观地比较不同模型的性能，绘制了表3，FDLCL的结果加粗显示，对标的最佳性能用下划线标出。

Multi GCCF通过构建用户-项目交互图、用户-用户图和项目-项目图，结合不同的聚合和转换函数，显式地处理用户和项目之间的高阶信息和相似性，提升了模型嵌入空间表示能力。DGCF论证了将用户复杂的意图解耦能更好地建模用户兴趣偏好并提高了模型的可解释性，迭代地优化用户意图，更高效地提取每个意图的相关信息训练模型。LightGCN通过在用户-项目二分图交互数据上线性传播用户和项目嵌入学习用户偏好信息，去除特征变换和非线性激活模块，提升传统协同过滤模型的性能。在此基础上，NSE-LGCN利用一阶邻接信息构建结构嵌入，在传播过程中，每个节点都可以保持自身的特性，有效地与其他节点区分，缓解过平滑的问题。

本文所提的FDLCL模型相比于对比模型在两个数据集上的Recall和NDCG都有显著提升。其中，在Yelp数据集上，FDLCL相比于性能最好的NSE-LGCN，分别提升了8.39%、13.42%，在Gowalla数据集上，分别提升了8.89%、11.96%，在Alibaba-iFashion数据集上，分别提升了8.3%、16.6%，表明本文模型在不同场景下的有效性和先进性。与其他模型相比，FDLCL的优势在于：EDA模块在尽可能最大化正样本与节点间的互信息前提下，生成有差异性的正样本，对比学习结构更轻量化，提升了对比学习效果且模型收敛更快。此外，通过自适应地对表示矩阵的特征维度进行相关性惩罚，从而约束表示矩阵特征维度之间的相关性，减少特征冗余，以形成更好的嵌入表示，提升模型的整体性能。

2.3　消融实验

2.3.1　FDLCL各组件的有效性

为了验证FDLCL各组件的作用，设计了两个变体模型进行消融实验。首先，为了验证EDA组件的效果，设计了变体模型FDLCL-EDA，通过去除EDA模块，直接将用户-项目交互数据作为输入且没有进行对比学习。其次，设计了变体模FDLCL-AFD，该模型没有对嵌入向量的特征进行相关性惩罚，仅仅使用正则化函数。实验采用Yelp数据集，结果如图5所示，可知，FDLCL模型及变体模型的各指标均高于NSE模型，证明了每个组件的必要性。FDLCL模型指标高于FDLCL-EDA，证明了EDA组件的有效性，即确保信息完整性的数据增强方式以及单次传播的轻量化对比学习结构可以提高推荐的准确性和效率。此外，FDLCL模型NDCG指标高于FDLCL-AFD，Recall指标几乎一致，但大幅高于NSE模型，说明该模型可缓解基于图神经网络的协同过滤模型所学到的用户和物品表示特征维度之间的相关问题，减少特征冗余并提升模型的整体性能。

2.3.2　EDA模块对推荐性能的影响

为了验证交叉对比中不同层的选择对推荐效果的影响，本文选择在Yelp数据集上进行实验。其中，FDLCL-1（实验模型）表示图卷积层数为1获得的嵌入与最终层嵌入进行对比学习；FDLCL-2表示图卷积层数为2获得的嵌入与最终层嵌入进行对比学习；FDLCL-3表示两个最终层嵌入进行对比学习。选择不同的层数来与最终层进行对比学习，具体的实验结果如图6所示。

虽然噪声扰动嵌入的数据增强方法可最大化正样本与原始节点的互信息，但生成的正样本差异性较小，容易导致过拟合。由图6可以看出，图卷积的第一层与最终层视图的对比学习效果优于另外两种方式，说明交叉对比存在一个最佳点，可以实现正样本与原始节点的互信息最大化的同时，平衡正样本间的差异性，以实现有效的对比学习。

为了比较算法的训练效率，在Yelp数据集上进行多次实验，记录模型训练达到最佳指标时总的训练轮数和训练总时长，经过求取平均值展示到表4中。由表4可知，交叉对比学习架构的总的训练轮数和训练时长少，说明相较于传统的对比学习架构，FDLCL算法收敛快，总的训练效率高。

2.3.3　参数分析

关于\tau的性能比较。\tau表示可调温度超参数，用于调整InfoNCE^［2］中的softmax的尺度，决定对困难负样本的对比损失的关注程度。从图7可以看出，\tau值过小或过大都会降低模型的性能，温度设置过低会过度强调困难负样本的梯度贡献，而这些负样本通常是错误的负样本，这会使得在嵌入空间中将锚点与其正邻居节点对齐变得更加困难。

关于\epsilon的性能比较。\epsilon表示可调的噪声幅度，噪声幅度较小，模型会过度拟合训练数据中的噪声，导致泛化能力下降。噪声幅度过大，生成的增强表示可能会偏离原始表示太远，导致重要的信息被淹没。实验结果如图8所示。

3 结束语

本文提出了一种基于特征优化解耦的轻量化对比学习推荐算法FDLCL，其中，EDA模块可以解决随机丢弃边和随机丢弃节点等方法可能引发的丢失重要节点或边的问题，简化对比学习架构，从而拥有更好的对比效果和更快的推荐速度。此外，AFD模块对表示矩阵的列进行特征相关性的惩罚，所以缓解深层图卷积中过相关问题，降低特征表示之间的信息冗余。通过在3个公开的数据集上进行实验，表明本模型相较于目前先进模型具有更优的表现，具备较好的实际应用价值。考虑到大模型在深层语义理解方面的优势，未来工作将致力于探索如何将这些能力融入推荐系统的特征表示中，以设计出更加精准捕捉用户和物品关系的特征表示方法，从而进一步提升推荐系统的质量和用户体验。

参考文献

[1] Wu L, He X N, Wang X, et al. A survey on accuracy-oriented neural recommendation: from collaborative filtering to information-rich recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2022, 35(5): 4425-4445.

[2] Chen G, Yu Z, Li N, et al. A survey of graph neural networks for recommender systems: challenges, methods, and directions[J]. ACM Transactions on Recommender Systems, 2023, 1(1): 1-51.

[3] Munikoti S, Agarwal D, Das L, et al. Challenges and opportunities in deep reinforcement learning with graph neural networks: a comprehensive review of algorithms and applications[J]. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(11): 15051-15071.

[4] 岑科廷,沈华伟,曹婍,等. 图对比学习综述[J]. 中文信息学报, 2023, 37(5): 1-21.

[5] Cen Ke-ting, Shen Hua-wei, Cao Miao, et al. A survey on graph contrastive learning[J]. Journal of Chinese Information Processing, 2023, 37(5): 1-21.

[6] Wu Jian-can, Wang Xiang, Feng Fu-li, et al. Self-supervised graph learning for recommendation[C]∥The 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, Virtual Online, Canada, 2021: 726-735.

[7] Zhou X, Lin D H, Liu Y, et al. Layer-refined graph convolutional networks for recommendation[C]∥The 2023 IEEE 39th International Conference on Data Engineering, Anaheim, United States, 2023: 1247-1259.

[8] Li C L, Xia L H, Ren X B, et al. Graph transformer for recommendation[C]∥The 46th International ACM SIGIR Conference on Research and Development in Information Retrieval, Taiwan, China, 2023: 1680-1689.

[9] Xia L H, Huang C, Xu Y, et al. Hypergraph contrastive collaborative filtering[C]∥The 45th International ACM SIGIR Conference on Research and Development in Information Retrieval, Taiwan, China, 2022: 70-79.

[10] Jin W, Liu X R, Ma Y, et al. Feature overcorrelation in deep graph neural networks: a new perspective[C]∥The 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Washington, USA, 2022: 709-719.

[11] Jin X Z, Li J T, Xie Y Z, et al. Enhancing graph collaborative filtering via neighborhood structure embedding[C]∥The 2023 IEEE International Conference on Data Mining, Shanghai, China, 2023: 190-199.

[12] Rendle S, Freudenthaler C, Gantner Z, et al. BPR: bayesian personalized ranking from implicit feedback[C]∥The 25th Conference on Uncertainty in Artificial Intelligence, Montreal, Canada, 2009: 452-461.

[13] Ren Meng-wei, Delbracio M, Talebi H, et al. Multiscale structure guided diffusion for image deblurring[C]∥IEEE/CVF International Conference on Computer Vision, Paris, France, 2023: 10687-10699.

[14] Yu J L, Xia X, Chen T, et al. XSimGCL: towards extremely simple graph contrastive learning for recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 36(2): 913-926.

[15] Wu W, Wang C, Shen D Z, et al. AFDGCF: adaptive feature de-correlation graph collaborative filtering for recommendations[C]∥The 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, Washington, USA, 2024: 1242-1252.

[16] Fan W Q, Liu X R, Jin W, et al. Graph trend filtering networks for recommendation[C]∥The 45th International ACM SIGIR Conference on Research and Development in Information Retrieval, Madrid, Spain, 2022: 112-121.

[17] Wang Y, Zhao Y Y, Zhang Y, et al. Collaboration-aware graph convolutional network for recommender systems[C]∥Proceedings of the ACM Web Conference 2023, Austin, USA, 2023: 91-101.

[18] Huang T L, Dong Y X, Ding M, et al. Mixgcf: an improved training method for graph neural network-based recommender systems[C]∥The 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Virtual Event, Singapore, 2021: 665-674.

[19] Wang X, Jin H Y, Zhang A, et al. Disentangled graph collaborative filtering[C]∥The 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval, Virtual Event, China, 2020: 1001-1010.

基金资助

国家自然科学基金项目(62001133)

广西无线宽带通信与信号处理重点实验室基金项目(GXKL06200114)