一种解耦直接交互与高阶关联的双图对比学习推荐模型

摘要

针对图神经网络协同过滤方法在数据稀疏场景下节点表示鲁棒性不足，以及现有对比学习方法对用户间和物品间高阶关联挖掘不充分的问题，提出一种解耦直接交互与高阶关联的双图对比学习推荐模型(DGCL)。该模型在方法上实现了信息源的解耦：首先，从原始交互数据中显式构建用户-用户与物品-物品图，以捕获独立于直接交互的“高阶关联”;其次，设计了一种动态嵌入融合机制，以自适应地整合来自“直接交互图”与“高阶关联图”的多源异构信息；此外，构建了以融合表征为“锚点”的对比学习任务，反向指导并优化解耦后的多视图表征，强化其语义一致性与鲁棒性。在多个公开数据集上的实验结果表明，相对最优基线模型，DGCL在Amazon-Books和Alibaba数据集上的Recall@10分别提升18.65%和22.78%,NDCG@10分别提升21.50%和23.53%,在Yelp数据集上各项指标亦保持持平或小幅提升，验证了“解耦-融合”框架在改善推荐性能与缓解数据稀疏性方面的有效性，为基于图对比学习的推荐方法提供了一种可扩展的高阶关系建模与融合思路。

关键词

图神经网络 / 对比学习 / 高阶关系 / 解耦方法 / 协同过滤