摘要：在推薦系統(tǒng)領(lǐng)域中，圖卷積網(wǎng)絡(luò)具有對(duì)于圖結(jié)構(gòu)數(shù)據(jù)更強(qiáng)的信息抽取能力。然而，現(xiàn)有的圖卷積網(wǎng)絡(luò)推薦算法主要關(guān)注改進(jìn)模型結(jié)構(gòu)，忽視了提高原始樣本采樣質(zhì)量與挖掘用戶—項(xiàng)目間隱式關(guān)系的重要性。針對(duì)上述問題，提出一種基于混合采樣的圖對(duì)比學(xué)習(xí)推薦算法。首先使用混合采樣方法，提取出正樣本中部分信息并將其注入負(fù)樣本，從而生成全新的富含信息的難負(fù)樣本；其次，通過輕量圖卷積網(wǎng)絡(luò)對(duì)難負(fù)樣本進(jìn)行特征提取，得到用戶和項(xiàng)目的節(jié)點(diǎn)表征，采用鄰域?qū)Ρ葘W(xué)習(xí)方法挖掘樣本隱式關(guān)系；最后，利用多任務(wù)策略對(duì)推薦監(jiān)督任務(wù)和對(duì)比學(xué)習(xí)任務(wù)進(jìn)行聯(lián)合優(yōu)化。在真實(shí)數(shù)據(jù)集Yelp2018和Amazon-book上進(jìn)行實(shí)驗(yàn)，采用recall和NDCG指標(biāo)進(jìn)行評(píng)估，實(shí)驗(yàn)結(jié)果表明，提出的模型相較其他基準(zhǔn)模型取得了更好的效果。

關(guān)鍵詞：圖卷積網(wǎng)絡(luò)；推薦系統(tǒng)；難負(fù)樣本；圖對(duì)比學(xué)習(xí)

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-3695（2023）05-010-1346-06doi：10.19734/j.issn.1001-3695.2022.10.0533

0引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，信息呈爆發(fā)式增長(zhǎng)，其中往往夾雜著大量冗余的無效信息，使得用戶難以快速準(zhǔn)確地找到自己感興趣的內(nèi)容。推薦系統(tǒng)是解決信息過載問題的有效方法之一，它的功能是根據(jù)用戶的興趣特點(diǎn)和歷史行為，向用戶推薦感興趣的信息［1］。傳統(tǒng)的推薦算法可以分為基于內(nèi)容的推薦方法、基于協(xié)同過濾的推薦方法、混合推薦方法［2］。基于內(nèi)容的推薦方法的理論依據(jù)主要來自于信息檢索和信息過濾，其核心思想是根據(jù)用戶過去的瀏覽記錄向用戶推薦用戶沒有接觸過的推薦項(xiàng)；基于協(xié)同過濾的推薦方法利用相似用戶之間具有相似興趣偏好的方法來發(fā)現(xiàn)用戶對(duì)項(xiàng)目的潛在偏好；混合推薦方法是指將多種推薦技術(shù)混合后，得到的一種全面且復(fù)雜的推薦系統(tǒng)。上述方法中，基于協(xié)同過濾的推薦方法僅需利用用戶的歷史評(píng)分?jǐn)?shù)據(jù)便可推薦用戶可能感興趣的其他物品［3］，因而簡(jiǎn)單有效，是當(dāng)前應(yīng)用最廣泛的個(gè)性化推薦算法。但是相對(duì)于龐大的項(xiàng)目數(shù)量，用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)非常少，容易引發(fā)數(shù)據(jù)稀疏性問題，導(dǎo)致推薦系統(tǒng)的推薦質(zhì)量下降。

傳統(tǒng)基于協(xié)同過濾的推薦系統(tǒng)一般使用矩陣分解（matrixfactorization）算法［4］，將用戶和項(xiàng)目映射在同一個(gè)潛在空間中，并使用不同的潛在向量來描述用戶和項(xiàng)目，最終將用戶和物品的交互建模為兩者之間的內(nèi)積操作。該算法存在可解釋性較差、訓(xùn)練時(shí)間過長(zhǎng)的問題。隨著深度學(xué)習(xí)的興起，推薦領(lǐng)域逐漸出現(xiàn)了利用神經(jīng)網(wǎng)絡(luò)挖掘用戶—項(xiàng)目交互的方法［5］。例如，He等人［6］提出了一個(gè)采用多層感知器（MLP）來學(xué)習(xí)交互的通用框架NCF，該方法利用多層神經(jīng)網(wǎng)絡(luò)替代了MF模型中的內(nèi)積操作，但由于忽視了用戶和項(xiàng)目間的高階連接性，不能充分發(fā)揮推薦系統(tǒng)的性能［7］。

近年來，基于圖卷積網(wǎng)絡(luò)（graphconvolutionnetwork，GCN）的模型在推薦領(lǐng)域應(yīng)用廣泛，融合協(xié)同過濾信息和GCN的推薦系統(tǒng)取得了非常好的效果［8］。GCN結(jié)構(gòu)設(shè)計(jì)利用了圖的連通性，能夠聚合用戶鄰居節(jié)點(diǎn)信息，從而更為有效地學(xué)習(xí)用戶和項(xiàng)目表征［9］。鑒于GCN的特性，許多研究人員將其應(yīng)用于推薦系統(tǒng)中。例如，Ying等人［10］將隨機(jī)游走算法和GCN結(jié)合構(gòu)建節(jié)點(diǎn)表示，提出了PinSage；Wang等人［11］利用GCN的信息傳播特性提出了NGCF，該模型完全繼承了GCN中的特征變換、非線性激活等一系列傳播規(guī)則，對(duì)用戶—項(xiàng)目之間的高階連接性進(jìn)行了顯式建模。盡管模型已經(jīng)取得了較好的推薦效果，但是仍存在由數(shù)據(jù)稀疏導(dǎo)致的過度平滑問題，模型的效率偏低。針對(duì)上述問題，Chen等人［12］提出了LR-GCCF，利用殘差網(wǎng)絡(luò)結(jié)構(gòu)緩解過度平滑問題，同時(shí)去除了GCN的非線性激活規(guī)則；在此基礎(chǔ)上，He等人［13］進(jìn)一步簡(jiǎn)化了圖卷積操作，提出了LightGCN，該模型僅保留了GCN中的鄰域聚合組件用于協(xié)同過濾，取得了輕量高效的效果。

基于GCN的推薦算法在推薦領(lǐng)域中取得了顯著的效果，然而此方法仍然存在著許多問題。首先是如何高效地從用戶—項(xiàng)目隱式反饋中負(fù)采樣，大多數(shù)模型直接從原始樣本中進(jìn)行負(fù)采樣，這種方法往往只關(guān)注圖的離散空間，忽視了圖卷積網(wǎng)絡(luò)特有的鄰域集成結(jié)構(gòu)；其次，現(xiàn)有模型普遍通過用戶和項(xiàng)目的顯式交互學(xué)習(xí)節(jié)點(diǎn)表示，不能很好地挖掘用戶與項(xiàng)目之間的隱式關(guān)系，受用戶—項(xiàng)目交互數(shù)據(jù)稀疏性的影響，現(xiàn)有模型的推薦性能仍受到限制。

針對(duì)以上問題，本文提出了一種基于混合采樣的圖對(duì)比學(xué)習(xí)推薦算法MSGCL（graphcontrastivelearningrecommendationalgorithmbasedonmixedsampling）。首先，該算法使用了插值混合技術(shù)，將正樣本的信息注入負(fù)樣本中，從而在連續(xù)空間中合成難負(fù)樣本；利用圖卷積網(wǎng)絡(luò)中的聚合操作將得到的難負(fù)樣本結(jié)合，得到富含信息的難負(fù)樣本用于模型的訓(xùn)練。與常規(guī)采樣方法相比，本文算法生成的難負(fù)樣本蘊(yùn)涵豐富的信息量，更有利于模型的訓(xùn)練。在原有推薦監(jiān)督任務(wù)的基礎(chǔ)上，MSGCL定義了新的對(duì)比學(xué)習(xí)框架，進(jìn)一步挖掘用戶和項(xiàng)目鄰居的潛在關(guān)系，以降低數(shù)據(jù)稀疏對(duì)推薦效果的影響。

1基于混合采樣的圖對(duì)比學(xué)習(xí)推薦算法

1.1模型框架

MSGCL模型的框架如圖1所示。模型通過三個(gè)模塊實(shí)現(xiàn)：a）混合采樣，用于融合原始用戶—項(xiàng)目交互圖數(shù)據(jù)中的正樣本與負(fù)樣本，生成信息量更多的難負(fù)樣本；b）輕量圖卷積網(wǎng)絡(luò)，是實(shí)現(xiàn)推薦的主要方法，用于提取混合采樣方法所生成樣本的特征；c）鄰域?qū)Ρ葘W(xué)習(xí)，結(jié)合樣本節(jié)點(diǎn)自身與同質(zhì)結(jié)構(gòu)鄰居的對(duì)比學(xué)習(xí)框架，與輕量圖卷積網(wǎng)絡(luò)原有的監(jiān)督任務(wù)聯(lián)合優(yōu)化得到最終的推薦結(jié)果。

1.2混合采樣

推薦模型的學(xué)習(xí)目標(biāo)是找出用戶更感興趣的項(xiàng)目，賦予其更高的預(yù)測(cè)分?jǐn)?shù)，最終返回每個(gè)用戶一個(gè)有序排列的項(xiàng)目預(yù)測(cè)分?jǐn)?shù)列表。項(xiàng)目在列表中排序越靠前，表示用戶對(duì)該項(xiàng)目的偏好越高。該列表的評(píng)估方式一般采取以下假設(shè)：相較于未被觀測(cè)到的項(xiàng)目，用戶更偏好于已經(jīng)被觀測(cè)到的項(xiàng)目。這種方式將已觀測(cè)到的項(xiàng)目作為正樣本，在未被觀測(cè)到的項(xiàng)目中選取負(fù)樣本。由于未被觀測(cè)到的項(xiàng)目數(shù)量遠(yuǎn)遠(yuǎn)大于已觀測(cè)的項(xiàng)目，優(yōu)化目標(biāo)經(jīng)常被簡(jiǎn)化為貝葉斯個(gè)性化排序（Bayesianpersonalizedranking，BPR）損失［14］，具體數(shù)學(xué)表示如下：

其中：i+與i－分別表示正樣本與負(fù)樣本；Pu（agt;b）表示用戶u相對(duì)于b偏好a；Θ是模型的參數(shù)；fs（u）是負(fù)采樣的分布，通常被設(shè)為均勻分布，即fs（u）=funiform（u）。

根據(jù)式（1）可知，負(fù)采樣方法是BPR損失的一個(gè)重要影響部分，對(duì)推薦模型的訓(xùn)練極其重要。本文受到文獻(xiàn)［15］的啟發(fā)，研究應(yīng)用了新的插值混合采樣方法。在連續(xù)空間中合成與正樣本相似的難負(fù)樣本，能夠幫助模型更好地區(qū)分正負(fù)樣本以提升推薦系統(tǒng)性能。該方法分為樣本生成與樣本聚合兩個(gè)步驟。

1.2.1樣本生成

在一個(gè)l層的GCN中，每個(gè)項(xiàng)目i有l(wèi)+1個(gè)嵌入e（l）i，它們聚合了對(duì)應(yīng)節(jié)點(diǎn)前l(fā)層的信息。為了得到負(fù)例i－的嵌入ei－，本文從所有負(fù)樣本中隨機(jī)選取M個(gè)負(fù)例，構(gòu)成負(fù)樣本嵌入候選集ε={e（l）im}。之后使用mixup方法［16］將正樣本嵌入ei+的部分信息注入到候選負(fù)樣本嵌入中，最終生成難負(fù)樣本e′（l）im。對(duì)于一個(gè)l層的GCN，樣本生成步驟表示如下：

其中：α（l）是混合系數(shù)，用于控制所注入的正樣本信息量，其每層的值通過均勻采樣在（0，1）內(nèi)隨機(jī)生成，均勻采樣能夠消除mixup方法對(duì)模型泛化能力的影響［17］；e′（l）im是生成的新的難負(fù)樣本嵌入，它的集合表示為ε′={e′（l）im}。經(jīng)過上述操作，生成了注入正樣本信息的難負(fù)樣本。由于該樣本與正樣本相似，模型更難區(qū)分決策邊界，識(shí)別能力得到了一定的提升。

1.2.2樣本聚合

對(duì)于生成的難負(fù)樣本集ε′，本文利用了GCN中的聚合過程對(duì)其中的嵌入e′（l）im進(jìn)行合成，最終生成負(fù)例i－的嵌入ei－。在l層GCN中，各層生成的難負(fù)樣本集記做ε′（l）。首先，使用了一種用內(nèi)積近似正樣本分布的難負(fù)樣本選擇策略［18］從ε′（l）中采樣出難負(fù)樣本嵌入。以l=2為例，采樣得到的難負(fù)樣本嵌入記做e′（0）ia、e′（1）ib、e′（2）ic。以上嵌入在GCN各層中隨機(jī)選取，因此a、b、c可以相同也可以不同。然后對(duì)上述嵌入進(jìn)行合成，得到最終輸出的嵌入：

其中：e′（l）ix表示第l層采樣得到的難負(fù)樣本嵌入；fconcat（·）表示采用拼接的方式合成最終嵌入。

1.2.3損失優(yōu)化

將上述采樣方法應(yīng)用到BPR損失函數(shù)中，對(duì)本文模型參數(shù)進(jìn)行優(yōu)化，更新如下：

其中：σ為sigmoid函數(shù)；ο+表示訓(xùn)練數(shù)據(jù)集中正樣本對(duì)的集合；ei－～fm（u，i+）表示負(fù)樣本嵌入由本文定義的混合采樣方法生成。

1.3輕量圖卷積網(wǎng)絡(luò)

1.3.1圖卷積網(wǎng)絡(luò)

圖卷積網(wǎng)絡(luò)是一種利用圖結(jié)構(gòu)特性在圖上進(jìn)行卷積操作的神經(jīng)網(wǎng)絡(luò)，該模型通過聚合周圍節(jié)點(diǎn)的特征更新自身節(jié)點(diǎn)［19］。假設(shè)一個(gè)無向圖G=（V，E），其中V包含網(wǎng)絡(luò)中所有的N個(gè)節(jié)點(diǎn)，E是節(jié)點(diǎn)之間的邊（vi，vj）∈E。將每個(gè)節(jié)點(diǎn)的特征設(shè)為向量xi，它們共同組成一個(gè)特征向量矩陣X∈EuclidExtraaBpN×C，其中C為特征向量的維數(shù)。圖G中各節(jié)點(diǎn)間的關(guān)系通過引入其鄰接矩陣A∈EuclidExtraaBpN×N與其度矩陣D來表示，Dij=∑jAij。GCN通過獨(dú)特的信息傳播規(guī)則進(jìn)行節(jié)點(diǎn)更新，具體公式定義為

其中：H為節(jié)點(diǎn)特征矩陣，l為GCN的層數(shù)且H0=X；σ為非線性激活函數(shù)；W為特征變換矩陣。

1.3.2輕量圖卷積

推薦系統(tǒng)中，用戶—項(xiàng)目交互數(shù)據(jù)具有天然的圖結(jié)構(gòu)，可以建模為二分圖，如圖2所示。其中U是用戶節(jié)點(diǎn)u的集合，I是項(xiàng)目節(jié)點(diǎn)i的集合，圖中的邊表示用戶項(xiàng)目交互。

相關(guān)研究表明，圖卷積網(wǎng)絡(luò)中的非線性激活函數(shù)與特征變換矩陣對(duì)協(xié)同過濾模型的性能貢獻(xiàn)很小，因此本文采用最先進(jìn)的LightGCN［13］算法提取用戶—項(xiàng)目圖結(jié)構(gòu)數(shù)據(jù)中的特征。該算法去除了上述兩種規(guī)則，保留了圖卷積網(wǎng)絡(luò)中的鄰域聚合、信息傳播等方法用于推薦，具備更快的訓(xùn)練時(shí)間和更少的資源需求。以圖2中的u2、i4為例，輕量圖卷積過程如圖3所示。

基于圖卷積網(wǎng)絡(luò)的協(xié)同過濾算法的核心思想是利用用戶—項(xiàng)目的高階連接性對(duì)圖結(jié)構(gòu)的協(xié)作信號(hào)進(jìn)行建模，需要對(duì)圖中單個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)進(jìn)行聚合操作以完成信息傳播。給定用戶u和項(xiàng)目i，它們各自的特征向量聚合過程如下：

其中：e（l）u、e（l）i分別表示用戶u和項(xiàng)目i在第l層GNN的嵌入；Nu表示與用戶u交互過的項(xiàng)目集合；Ni表示與項(xiàng)目i交互過的用戶集合。l層的圖卷積網(wǎng)絡(luò)經(jīng)過上述聚合操作后，每個(gè)用戶/項(xiàng)目能夠從它們的高階鄰居中獲得信息。不同于用于節(jié)點(diǎn)分類的傳統(tǒng)GNN，輕量圖卷積去除了原有的自連接操作，采用池化操作對(duì)所有卷積層的特征進(jìn)行組合。這種方式被認(rèn)為能夠適當(dāng)緩解過度平滑問題，且凸顯出特征節(jié)點(diǎn)的子圖信息在不同范圍內(nèi)的重要性［20］。運(yùn)用上述方法將每層得到的嵌入累加后，所生成用戶和項(xiàng)目的最終表示如下：

1.4鄰域?qū)Ρ葘W(xué)習(xí)

現(xiàn)有的基于GCN的協(xié)同過濾方法通過建模用戶—項(xiàng)目交互圖來捕獲用戶對(duì)項(xiàng)目的偏好。盡管該方法較為有效，但其推薦監(jiān)督任務(wù)僅基于用戶—項(xiàng)目可觀察到的反饋，存在數(shù)據(jù)稀疏性問題［21］。針對(duì)該問題，參考文獻(xiàn)［22］提出的SGL，本文使用了鄰域?qū)Ρ葘W(xué)習(xí)方法進(jìn)行優(yōu)化，將每個(gè)用戶（或項(xiàng)目）與其同質(zhì)結(jié)構(gòu)鄰居進(jìn)行對(duì)比，定義了新的任務(wù)補(bǔ)充原有推薦監(jiān)督任務(wù)，以增強(qiáng)特征提取。

用戶與項(xiàng)目產(chǎn)生交互時(shí)更有可能選擇與自己較為相似的其他用戶所交互過的項(xiàng)目，這種趨勢(shì)可以建模為用戶—項(xiàng)目間的高階連接性。以u(píng)1為例，將所有與其相關(guān)的交互擴(kuò)展成樹型結(jié)構(gòu)，并根據(jù)到達(dá)u1的路徑長(zhǎng)短將節(jié)點(diǎn)劃分成l階鄰居，如圖4所示。

u1和二階鄰居u2、u3都與i1產(chǎn)生過交互，可以說明三者因i1而具有相似性。依此類推，二分圖中的其他用戶（項(xiàng)目）節(jié)點(diǎn)，它們與自身的偶數(shù)階節(jié)點(diǎn)也具有相似性。由于GCN中的交互圖也是二分圖，基于GCN的模型在圖上進(jìn)行偶數(shù)次信息傳播操作后，能夠自然聚合同質(zhì)結(jié)構(gòu)鄰居的信息，從而降低提取用戶（或項(xiàng)目）潛在鄰居的難度。通過上述方式，同質(zhì)鄰域的表征信息能夠從模型的偶數(shù)層輸出獲得，并用于對(duì)用戶（或項(xiàng)目）與其結(jié)構(gòu)鄰居的關(guān)系進(jìn)行建模。將用戶自身嵌入與其偶數(shù)層同質(zhì)鄰居的用戶嵌入作為正樣本，而其他用戶嵌入作為負(fù)樣本，為了最小化兩者間的距離，本文基于InfoNCE［23］損失函數(shù)定義了新的對(duì)比學(xué)習(xí)任務(wù)，用戶的對(duì)比損失計(jì)算方式如下：

1.5總體學(xué)習(xí)目標(biāo)

為了幫助推薦模型更有效地對(duì)用戶與項(xiàng)目之間的交互進(jìn)行建模，本文將上述提及的對(duì)比學(xué)習(xí)損失作為補(bǔ)充，并利用多任務(wù)學(xué)習(xí)策略將其與經(jīng)過混合采樣方法改進(jìn)后的BPR損失相結(jié)合，得到的模型整體損失函數(shù)如下：

其中：λ1、λ2分別是控制對(duì)比學(xué)習(xí)與正則化項(xiàng)權(quán)重的超參數(shù)；Θ是模型參數(shù)的集合。

2實(shí)驗(yàn)結(jié)果與分析

2.1實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本文算法性能，采用PyTorch機(jī)器學(xué)習(xí)框架，在Windows1064位操作系統(tǒng)，PyCharm2020，IntelCoreTMi7-6700HQCPU@2.60GHz，NVIDIAGeForceGTX1060@6GB，16GB內(nèi)存，Python3.6的環(huán)境下進(jìn)行實(shí)驗(yàn)。

2.2數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

本文采用兩個(gè)公開數(shù)據(jù)集Yelp2018、Amazon-book進(jìn)行實(shí)驗(yàn)。Yelp2018是Yelp網(wǎng)站2018年挑戰(zhàn)賽所采用的公開數(shù)據(jù)集，包含用戶查看過的餐廳、酒吧等商家記錄；Amazon-book為用戶在亞馬遜平臺(tái)的書籍消費(fèi)記錄。表1顯示了這兩個(gè)數(shù)據(jù)集的統(tǒng)計(jì)信息。

本文基于top-K推薦方法，采用推薦系統(tǒng)任務(wù)中常用的召回率recall和歸一化折損累計(jì)增益（normalizeddiscountedcumulativegain，NDCG）作為性能評(píng)價(jià)指標(biāo)。根據(jù)推薦系統(tǒng)領(lǐng)域的常見設(shè)置習(xí)慣，將K設(shè)為20。

recall表示推薦模型成功預(yù)測(cè)的樣本在正樣本中所占的比例，recall的值越大，推薦性能越好。其定義如下：

其中：u為用戶；R（u）為模型預(yù)測(cè)出的需要推薦的項(xiàng)目的集合；T（u）為真實(shí)的測(cè)試集中被推薦的集合。求得每個(gè)用戶的recall值后，將其求和平均便可得到整個(gè)數(shù)據(jù)集上的recall值。

NDCG用來評(píng)價(jià)推薦結(jié)果的準(zhǔn)確性，與用戶關(guān)系更密切的物品在列表中位置更靠前，NDCG值越大，推薦性能越好。

其中：reln表示處于位置n的推薦項(xiàng)目的相關(guān)性；K表示最有可能向用戶推薦的前K個(gè)項(xiàng)目；|REL|表示相關(guān)度最高的前K個(gè)項(xiàng)目的集合。

2.3對(duì)比方法與參數(shù)設(shè)置

為了綜合評(píng)估MSGCL的性能，本文采用幾種較為先進(jìn)的模型作為對(duì)比方法：

a）BPRMF［14］，一種采用矩陣分解進(jìn)行優(yōu)化的經(jīng)典協(xié)同過濾算法；

b）NGCF［11］，一種基于圖卷積網(wǎng)絡(luò)的協(xié)同過濾方法，通過評(píng)分矩陣構(gòu)建用戶—項(xiàng)目交互圖，以此來提取用戶和項(xiàng)目間的高階信號(hào)；

c）LR-GCCF［12］，一種基于殘差圖卷積網(wǎng)絡(luò)的協(xié)同過濾推薦模型，去除了圖卷積網(wǎng)絡(luò)中的非線性操作；

d）LightGCN［13］，一種簡(jiǎn)單而高效的推薦算法，在NGCF基礎(chǔ)上去掉了特征變換和非線性操作，保留了圖卷積網(wǎng)絡(luò)中的鄰域聚合和線性傳播用于推薦；

e）DGCF［24］，一種解耦用戶和項(xiàng)目表示，多方面反映用戶意圖的圖協(xié)同過濾模型；

f）MSGCL，本文提出的基于混合采樣的圖對(duì)比學(xué)習(xí)推薦模型。

本文所有對(duì)比算法均采用其對(duì)應(yīng)文獻(xiàn)中給出的最佳參數(shù)。其中，用戶和項(xiàng)目嵌入的維度設(shè)置為64，batchsize為2048，推薦模型的優(yōu)化器為Adam［25］，使用Xavier［26］初始化參數(shù)，學(xué)習(xí)率為10－3，超參數(shù)λ1=10－7、λ2=10－4、α=1。本文在2.4.3節(jié)對(duì)混合采樣與鄰域?qū)Ρ葘W(xué)習(xí)部分的兩個(gè)重要參數(shù)——候選集大小M與溫度超參數(shù)τ進(jìn)行了敏感度分析，以搜尋最佳參數(shù)。經(jīng)過對(duì)比實(shí)驗(yàn)后，最終將M設(shè)置為32，τ設(shè)置為0.05。

2.4實(shí)驗(yàn)結(jié)果分析

2.4.1模型推薦效果

本文提出的MSGCL與其他經(jīng)典協(xié)同過濾推薦算法在兩個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表2和圖5所示，其中Improv.代表本文算法相較于現(xiàn)有最優(yōu)基線算法在各項(xiàng)指標(biāo)上的提升比例。

觀察實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，基于圖卷積網(wǎng)絡(luò)的推薦算法遠(yuǎn)優(yōu)于傳統(tǒng)的不使用圖卷積網(wǎng)絡(luò)的算法，這充分表明了圖卷積網(wǎng)絡(luò)在提升推薦系統(tǒng)性能方面的優(yōu)越性。其中，NGCF直接利用了圖卷積網(wǎng)絡(luò)的原始結(jié)構(gòu)對(duì)用戶—項(xiàng)目的高階連接性進(jìn)行建模，相比使用矩陣分解的BPRMF大大提升了推薦性能；LR-GCCF參考ResNet［27］引入了殘差結(jié)構(gòu)，以解決加深圖卷積網(wǎng)絡(luò)層數(shù)而導(dǎo)致的性能下降問題，同時(shí)簡(jiǎn)化了部分參數(shù)，性能略優(yōu)于NGCF；但其存在局限性，部分?jǐn)?shù)據(jù)集并不適合過深的圖卷積網(wǎng)絡(luò)。LightGCN在NGCF基礎(chǔ)上去除了非線性激活函數(shù)與特征變換矩陣操作，取得的結(jié)果優(yōu)于NGCF；DGCF在現(xiàn)有圖卷積網(wǎng)絡(luò)基礎(chǔ)上挖掘了用戶意圖，在基線模型中表現(xiàn)最優(yōu)。

本文提出的MSGCL模型對(duì)比各基準(zhǔn)算法在recall@20和NDCG@20指標(biāo)上均取得了最好的效果。在兩個(gè)數(shù)據(jù)集上，MSGCL較基準(zhǔn)模型中表現(xiàn)最好的模型（DGCF）在recall@20指標(biāo)上分別提升了5.1%、14.2%，在NDCG@20指標(biāo)上分別提升了4.5%、17.6%。這主要取決于以下幾個(gè)方面：a）MSGCL使用了混合采樣方法，可以從隱式反饋中采取更高質(zhì)量的樣本用于模型訓(xùn)練；b）本文模型通過LightGCN算法提取出用戶—項(xiàng)目的特征嵌入，去除了原始圖卷積網(wǎng)絡(luò)中對(duì)推薦任務(wù)較為冗余的非線性激活與特征變換，更為輕量高效；c）MSGCL還挖掘了用戶—項(xiàng)目結(jié)構(gòu)鄰居的潛在關(guān)系作為輔助信息，可以更為合理地向用戶推薦其感興趣的物品。

2.4.2消融實(shí)驗(yàn)

為了分析MSGCL中各組件的性能，驗(yàn)證混合采樣和鄰域?qū)Ρ葘W(xué)習(xí)對(duì)改進(jìn)推薦性能的有效性，通過以下實(shí)驗(yàn)進(jìn)行對(duì)比：a）V1，不改變采樣方法，運(yùn)用輕量圖卷積網(wǎng)絡(luò)提取用戶—項(xiàng)目特征；b）V2，在V1基礎(chǔ)上，僅將原始采樣方法替換為混合采樣方法；c）V3，在V1基礎(chǔ)上，僅增加鄰域?qū)Ρ葘W(xué)習(xí)輔助任務(wù)，并利用多任務(wù)策略聯(lián)合訓(xùn)練。

在兩個(gè)數(shù)據(jù)集Yelp2018和Amazon-book上的消融實(shí)驗(yàn)結(jié)果如表3所示。由表3可得，MSGCL的性能優(yōu)于V2和V3，這證明了混合采樣和鄰域?qū)Ρ葘W(xué)習(xí)兩者并不沖突，它們的融合對(duì)算法起到了優(yōu)化作用。以Yelp2018數(shù)據(jù)集為例，V2較MSGCL在recall@20指標(biāo)上降低了1.0%，在NDCG@20指標(biāo)上降低了0.9%；V3較MSGCL在recall@20指標(biāo)上降低了1.2%，在NDCG@20指標(biāo)上降低了1.4%。這表明了結(jié)合兩種方法的必要性，刪除兩者之一都會(huì)導(dǎo)致模型性能下降。

此外，V2、V3推薦性能均優(yōu)于V1，表明混合采樣和鄰域?qū)Ρ葘W(xué)習(xí)均為改進(jìn)圖推薦模型的有效手段，進(jìn)一步證明了改進(jìn)采樣質(zhì)量和挖掘用戶—項(xiàng)目潛在關(guān)系對(duì)圖推薦系統(tǒng)的重要性。

2.4.3超參數(shù)敏感性分析

在MSGCL中，候選集大小M和溫度超參數(shù)τ為兩個(gè)重要參數(shù)。為了確定算法中這兩個(gè)參數(shù)的最優(yōu)值，采取的策略是固定其中一個(gè)參數(shù)尋找另一個(gè)的最優(yōu)值，找到最優(yōu)值后固定該值，以尋找下一個(gè)參數(shù)的最優(yōu)值。其中，M可能的取值為16、32、64；τ可能的取值為005、0075、01、0125、015。在Yelp2018數(shù)據(jù)集上分析M和τ的敏感性，實(shí)驗(yàn)結(jié)果如表4、5所示。

由表4、5可以看出，M和τ的取值對(duì)推薦系統(tǒng)性能具有一定影響。候選集大小M決定了每次進(jìn)行混合采樣時(shí)所生成的難負(fù)樣本集合大小。一般情況下，增加M值能夠提升推薦性能，而M值過大時(shí)，會(huì)導(dǎo)致難負(fù)樣本在所有樣本中占比過大，推薦性能下降。溫度超參數(shù)τ決定了對(duì)比學(xué)習(xí)任務(wù)對(duì)難以區(qū)分的負(fù)樣本的關(guān)注程度。τ越大，關(guān)注度越??；τ越小，關(guān)注度越大［28］。當(dāng)溫度超參數(shù)τ采用合適的值時(shí)，負(fù)樣本會(huì)獲得更大的梯度，從而與正樣本分離。在投影空間中，小的τ值能夠使模型關(guān)注距離正樣本更近的負(fù)樣本。當(dāng)M=32、τ=005時(shí)，recall@20和NDCG@20指標(biāo)均取得了最好效果。

2.4.4實(shí)例分析

為了進(jìn)一步觀察和說明MSGCL在實(shí)際推薦效果上的結(jié)果差異，本文挑選出了MSGCL和LightGCN在Yelp2018數(shù)據(jù)集上對(duì)某一用戶的個(gè)性化推薦結(jié)果，將其作為樣本案例進(jìn)行對(duì)比。

在實(shí)驗(yàn)中，將Yelp2018數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集。表6是該用戶在訓(xùn)練集中的樣本實(shí)例，其中，交互過的項(xiàng)目ID代表與該用戶產(chǎn)生過交互的項(xiàng)目ID；地點(diǎn)和商戶類型代表項(xiàng)目ID的實(shí)際含義，即該用戶查看過某一地點(diǎn)的某商戶。表7是該用戶在測(cè)試集中的樣本實(shí)例。

經(jīng)過實(shí)驗(yàn)后發(fā)現(xiàn)，本文提出的MSGCL對(duì)測(cè)試集中ID為771、2740的項(xiàng)目進(jìn)行了成功推薦，而LightGCN僅對(duì)ID為2740的項(xiàng)目進(jìn)行了成功推薦。當(dāng)用戶與項(xiàng)目的交互記錄過少，會(huì)產(chǎn)生數(shù)據(jù)稀疏性問題，造成推薦效果下降。本文提出的MSGCL相較LightGCN對(duì)該問題進(jìn)行了一定的緩解，驗(yàn)證了本文模型具有更好的推薦效果。

3結(jié)束語(yǔ)

本文提出了一種基于混合采樣的圖對(duì)比學(xué)習(xí)推薦算法（MSGCL），使用混合采樣方法替代直接從原始樣本負(fù)采樣的方法，生成注入正樣本信息的難負(fù)樣本，成功改進(jìn)了采樣質(zhì)量，優(yōu)化推薦模型訓(xùn)練。定義的鄰域?qū)Ρ葘W(xué)習(xí)任務(wù)框架，能夠有效挖掘用戶（項(xiàng)目）間的潛在聯(lián)系。在兩個(gè)數(shù)據(jù)集上的結(jié)果表明，相較于當(dāng)前先進(jìn)的基線模型，MSGCL的性能表現(xiàn)占優(yōu)。

在未來的工作中，可以考慮向模型中加入更多輔助信息來改善推薦性能，如知識(shí)圖譜、用戶偏好等。此外，可以考慮使用異構(gòu)網(wǎng)絡(luò)來挖掘用戶—用戶、項(xiàng)目—項(xiàng)目此類自身的聯(lián)系，構(gòu)建更為復(fù)雜有效的推薦框架。

參考文獻(xiàn)：

［1］徐鵬宇，劉華鋒，劉冰，等.標(biāo)簽推薦方法研究綜述［J］.軟件學(xué)報(bào)，2022，33（4）：1244-1266.（XuPengyu，LiuHuafeng，LiuBing，etal.Surveyoftagrecommendationmethods［J］.JournalofSoftware，2022，33（4）：1244-1266.）

［2］BalabanovicM，ShohamY.Fab：content-based，collaborativerecommendation［J］.CommunicationoftheACM，1997，40（3）：66-72.

［3］AdomaviciusG，TuzhilinA.Towardthenextgenerationofrecommendersystems：asurveyofthestate-of-the-artandpossibleextensions［J］.IEEETransonKnowledgeandDataEngineering，2005，17（6）：734-749.

［4］KorenY，BellR，VolinskyC.Matrixfactorizationtechniquesforre-commendersystems［J］.Computer，2009，42（8）：30-37.

［5］湯佳欣，陳陽(yáng)，周孟瑩，等.深度學(xué)習(xí)方法在興趣點(diǎn)推薦中的應(yīng)用研究綜述［J］.計(jì)算機(jī)工程，2022，48（1）：12-23，42.（TangJia-xin，ChenYang，ZhouMengying，etal.AsurveyofstudiesondeeplearningapplicationsinPOIrecommendation［J］.ComputerEngineering，2022，48（1）：12-23，42.）

［6］HeXiangnan，LiaoLizi，ZhangHanwang，etal.Neuralcollaborativefiltering［C］//Procofthe26thInternationalConferenceonWorldWideWeb.NewYork：ACMPress，2017：173-182.

［7］鄧凱，黃佳進(jìn)，秦進(jìn).基于物品的統(tǒng)一推薦模型［J］.計(jì)算機(jī)應(yīng)用，2020，40（2）：530-534.（DengKai，HuangJiajin，QinJin.Item-basedunifiedrecommendationmodel［J］.JournalofComputerApplications，2020，40（2）：530-534.）

［8］付峻宇，朱小棟，陳晨.基于圖卷積的雙通道協(xié)同過濾推薦算法［J］.計(jì)算機(jī)應(yīng)用研究，2023，40（1）：129-135.（FuJunyu，ZhuXiaodong，ChenChen.Two-channelcollaborativefilteringrecommendationalgorithmbasedongraphconvolution［J］.ApplicationResearchofComputers，2023，40（1）：129-135.）

［9］夏鴻斌，陸煒，劉淵.基于異構(gòu)鄰域聚合的協(xié)同過濾推薦算法［J］.模式識(shí)別與人工智能，2021，34（8）：712-722.（XiaHongbin，LuWei，LiuYuan.Collaborativefilteringwithheterogeneousneighborhoodaggregation［J］.PatternRecognitionandArtificialIntelligence，2021，34（8）：712-722.）

［10］YingR，HeRuining，ChenKaifeng，etal.GraphconvolutionalneuralnetworksforWeb-scalerecommendersystems［C］//Procofthe24thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryamp;DataMining.NewYork：ACMPress，2018：974-983.

［11］WangXiang，HeXiangnan，WangMeng，etal.Neuralgraphcollaborativefiltering［C］//Procofthe42ndInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.NewYork：ACMPress，2019：165-174.

［12］ChenLei，WuLe，HongRichang，etal.Revisitinggraphbasedcollabo-rativefiltering：alinearresidualgraphconvolutionalnetworkapproach［C］//ProcofAAAIConferenceonArtificialIntelligence.2020：27-34.

［13］HeXiangnan，DengKuan，WangXiang，etal.LightGCN：simplifyingandpoweringgraphconvolutionnetworkforrecommendation［C］//Procofthe43rdInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.NewYork：ACMPress，2020：639-648.

［14］RendleS，F(xiàn)reudenthalerC，GantnerZ，etal.BPR：Bayesianpersona-lizedrankingfromimplicitfeedback［C］//Procofthe25thConfe-renceonUncertaintyinArtificialIntelligence.Arlington，VA：AUAIPress，2009：452-461.

［15］HuangTinglin，DongYuxiao，DingMingng，etal.MixGCF：animprovedtrainingmethodforgraphneuralnetwork-basedrecommendersystems［C］//Procofthe27thACMSIGKDDConferenceonKnow-ledgeDiscoveryamp;DataMining.NewYork：ACMPress，2021：665-674.

［16］KalantidisY，SariyildizMB，PionN，etal.Hardnegativemixingforcontrastivelearning［EB/OL］.（2020-12-04）.https：//arxiv.org/pdf/2010.01028v2.pdf.

［17］YuHao，WangHuanyu，WuJianxin.Mixupwithouthesitation［C］//Procofthe11thInternationalConferenceonImageandGraphics.Cham：Springer，2021：143-154.

［18］ZhangWeinan，ChenTianqi，WangJun，etal.Optimizingtop-ncolla-borativefilteringviadynamicnegativeitemsampling［C］//Procofthe36thInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.NewYork：ACMPress，2013：785-788.

［19］徐冰冰，岑科廷，黃俊杰，等.圖卷積神經(jīng)網(wǎng)絡(luò)綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2020，43（5）：755-780.（XuBingbing，CengKeting，HuangJunjie，etal.Asurveyongraphconvolutionalneuralnetwork［J］.ChineseJournalofComputers，2020，43（5）：755-780.）

［20］XuKeyulu，LiChengtao，TianYonglong，etal.Representationlearningongraphswithjumpingknowledgenetworks［C］//Procofthe35thInternationalConferenceonMachineLearning.2018：5453-5462.

［21］LinZihan，TianChangxin，HouYupeng，etal.Improvinggraphcollabo-rativefilteringwithneighborhood-enrichedcontrastivelearning［C］//ProcofACMWebConference.NewYork：ACMPress，2022：2320-2329.

［22］WuJiancan，WangXiang，F(xiàn)engFuli，etal.Self-supervisedgraphlearningforrecommendation［C］//Procofthe44thInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.NewYork：ACMPress，2021：726-735.

［23］VandenOordA，LiYazhe，VinyalsO.Representationlearningwithcontrastivepredictivecoding［EB/OL］.（2019-01-22）.https：//arxiv.org/pdf/1807.03748.pdf

［24］WangXiang，JinHongye，ZhangAn，etal.Disentangledgraphcollabo-rativefiltering［C］//Procofthe43rdInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.NewYork：ACMPress，2020：1001-1010.

［25］KingmaDP，BaJ.Adam：amethodforstochasticoptimization［EB/OL］.（2017-01-30）.https：//arxiv.org/pdf/1412.6980.pdf.

［26］GlorotX，BengioY.Understandingthedifficultyoftrainingdeepfeedforwardneuralnetworks［C］//Procofthe13thInternationalConferenceonArtificialIntelligenceandStatistics.2010：249-256.

［27］HeKaiming，ZhangXiangyu，RenShaoqing，etal.Deepresiduallearningforimagerecognition［C］//ProcofIEEEConferenceonComputerVisionandPatternRecognition.WashingtonDC：IEEEComputerSociety，2016：770-778.

［28］WangFeng，LiuHuaping.Understandingthebehaviourofcontrastiveloss［C］//ProcofIEEE/CVFConferenceonComputerVisionandPatternRecognition.Piscataway，NJ：IEEEPress，2021：2495-2504.