基于多视图多尺度对比学习的图协同过滤

doi:10.11772/j.issn.1001-9081.2024030393

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (4): 1061-1068.DOI: 10.11772/j.issn.1001-9081.2024030393

基于多视图多尺度对比学习的图协同过滤

党伟超, 温鑫瑜(), 高改梅, 刘春霞

太原科技大学计算机科学与技术学院，太原 030024

收稿日期:2024-04-08 修回日期:2024-05-26 接受日期:2024-05-29 发布日期:2024-08-15 出版日期:2025-04-10
通讯作者: 温鑫瑜
作者简介:党伟超（1974—），男，山西运城人，副教授，博士，CCF会员，主要研究方向：智能计算、软件可靠性
温鑫瑜（1998—），男，山西晋中人，硕士研究生，主要研究方向：推荐系统
高改梅（1978—），女，山西吕梁人，副教授，博士，CCF会员，主要研究方向：网络安全、密码学
刘春霞（1977—），女，山西大同人，副教授，硕士，CCF会员，主要研究方向：软件工程、数据库。
基金资助:
山西省自然科学基金资助项目(202203021211194);太原科技大学博士科研启动基金资助项目(20202063);太原科技大学研究生教育创新项目(SY2022063)

Multi-view and multi-scale contrastive learning for graph collaborative filtering

Weichao DANG, Xinyu WEN(), Gaimei GAO, Chunxia LIU

College of Computer Science and Technology，Taiyuan University of Science and Technology，Taiyuan Shanxi 030024，China

Received:2024-04-08 Revised:2024-05-26 Accepted:2024-05-29 Online:2024-08-15 Published:2025-04-10
Contact: Xinyu WEN
About author:DANG Weichao， born in 1974， Ph. D.， associate professor. His research interests include intelligent computing， software reliability.
WEN Xinyu， born in 1998， M. S. candidate. His research interests include recommendation system.
GAO Gaimei， born in 1978， Ph. D.， associate professor. Her research interests include network security， cryptography.
LIU Chunxia， born in 1977， M. S.， associate professor. Her research interests include software engineering， database.
Supported by:
Shanxi Provincial Natural Science Foundation(202203021211194);Doctoral Research Start-up Fund of Taiyuan University of Science and Technology(20202063);Graduate Education Innovation Project of Taiyuan University of Science and Technology(SY2022063)

摘要/Abstract

摘要：

针对图协同过滤推荐方法存在的单一视图局限性和数据稀疏性问题，提出一种基于多视图多尺度对比学习的图协同过滤（MVMSCL）模型。首先，根据用户-项目交互构建初始交互图，并考虑用户-项目中存在的多种潜在意图，以构建多意图分解视图；其次，利用高阶关系改进邻接矩阵，以构建协同邻居视图；再次，去除不重要的噪声交互，以构建自适应增强的初始交互图和多意图分解视图；最后，引入局部、跨层和全局3种尺度的对比学习范式生成自监督信号，从而提高推荐性能。在Gowalla、Amazon-book和Tmall 3个公共数据集上的实验结果表明，MVMSCL的推荐性能均优于对比模型。与最优基线模型DCCF（Disentangled Contrastive Collaborative Filtering framework）相比，MVMSCL的召回率Recall@20分别提升了5.7%、14.5%和10.0%，归一化折损累计增益NDCG@20分别提升了4.6%、17.9%和11.5%。

关键词: 推荐系统, 协同过滤, 图神经网络, 多视图, 对比学习

Abstract:

A Multi-View and Multi-Scale Contrastive Learning for graph collaborative filtering （MVMSCL） model was proposed to address the limitations of single view and the data sparsity in graph collaborative filtering recommendation methods. Firstly， an initial interaction diagram was constructed on the basis of user-item interactions， and multiple potential intentions in user-item interactions were considered to build multi-intention decomposition view. Secondly， the adjacency matrix was improved using high-order relationships to construct a collaborative neighbor view. Thirdly， the irrelevant noise interactions were removed to construct the adaptively enhanced initial interaction diagram and multi-intention decomposition view. Finally， contrastive learning paradigms with local， cross-layer， and global scales were introduced to generate self-supervised signals， thereby improving the recommendation performance. Experimental results on three public datasets， Gowalla， Amazon-book and Tmall， demonstrate that the recommendation performance of MVMSCL surpasses that of the comparison models. Compared with the optimal baseline model DCCF （Disentangled Contrastive Collaborative Filtering framework）， MVMSCL has the Recall@20 increased by 5.7%， 14.5% and 10.0%， respectively， and the Normalized Discounted Cumulative Gain NDCG@20 increased by 4.6%， 17.9% and 11.5%， respectively.

Key words: recommendation system, collaborative filtering, Graph Neural Network (GNN), multi-view, contrastive learning

中图分类号:

TP391.4

党伟超, 温鑫瑜, 高改梅, 刘春霞. 基于多视图多尺度对比学习的图协同过滤[J]. 计算机应用, 2025, 45(4): 1061-1068.

Weichao DANG, Xinyu WEN, Gaimei GAO, Chunxia LIU. Multi-view and multi-scale contrastive learning for graph collaborative filtering[J]. Journal of Computer Applications, 2025, 45(4): 1061-1068.

图/表 9

图1 多视图的构建

Fig. 1 Construction of multiple views

图2 对比学习的模式

Fig. 2 Pattern of contrastive learning

表1 实验数据集的统计信息

Tab. 1 Statistical information of experimental datasets

数据集	用户数	项目数	交互数	稀疏度/%
Gowalla	50 821	57 440	1 172 425	0.040
Amazon-book	78 578	77 801	2 240 156	0.037
Tmall	47 939	41 390	2 357 450	0.119

表2 不同模型在公共数据集上的性能对比

Tab. 2 Performance comparison of different models on public datasets

模型	Gowalla				Amazon-book				Tmall
模型	R@20	R@40	N@20	N@40	R@20	R@40	N@20	N@40	R@20	R@40	N@20	N@40
NCF	0.124 7	0.191 0	0.065 9	0.083 2	0.046 8	0.077 1	0.033 6	0.043 8	0.038 3	0.064 7	0.025 2	0.034 4
AutoR	0.140 9	0.214 2	0.071 6	0.090 5	0.054 6	0.091 4	0.035 4	0.048 2	0.033 6	0.061 1	0.020 3	0.029 5
NGCF	0.141 3	0.207 2	0.081 3	0.098 7	0.053 2	0.086 6	0.038 8	0.050 1	0.042 0	0.075 1	0.025 0	0.036 5
LightGCN	0.179 9	0.257 7	0.105 3	0.125 5	0.073 2	0.114 8	0.054 4	0.068 1	0.055 5	0.089 5	0.038 1	0.049 9
DGCF	0.178 4	0.251 5	0.106 9	0.125 9	0.068 8	0.107 3	0.051 3	0.064 0	0.054 4	0.086 7	0.037 2	0.048 4
DGCL	0.179 3	0.248 3	0.106 7	0.124 7	0.067 7	0.105 7	0.050 6	0.063 1	0.052 6	0.084 5	0.035 9	0.046 9
SGL-ED	0.180 9	0.255 9	0.106 7	0.126 2	0.077 4	0.120 4	0.057 8	0.071 9	0.057 4	0.091 9	0.039 3	0.051 3
SGL-ND	0.181 4	0.258 9	0.106 5	0.126 7	0.072 2	0.112 1	0.054 2	0.067 4	0.055 3	0.088 5	0.037 9	0.049 4
HCCF	0.181 8	0.260 1	0.106 1	0.126 5	0.082 4	0.128 2	0.062 5	0.077 6	0.062 3	0.098 6	0.042 5	0.055 2
LightGCL	0.182 5	0.260 1	0.107 7	0.128 0	0.083 6	0.128 0	0.064 3	0.079 0	0.063 2	0.097 1	0.044 4	0.056 2
DCCF	0.187 6	0.264 4	0.112 3	0.132 3	0.088 9	0.134 3	0.068 0	0.082 9	0.066 8	0.104 2	0.046 9	0.059 8
MVMSCL	0.198 3	0.274 2	0.117 5	0.137 4	0.101 8	0.148 9	0.080 2	0.099 5	0.073 5	0.113 2	0.052 3	0.066 0

表3 MVMSCL模型消融实验对比结果

Tab. 3 Comparison results of MVMSCL model’s ablation experiments

模型	R@20	R@40	N@20	N@40
MVMSCL- W	0.184 2	0.258 6	0.108 2	0.127 7
MVMSCL- $H α$	0.190 7	0.268 0	0.112 4	0.132 6
MVMSCL- $H β$	0.190 9	0.268 1	0.112 5	0.132 6
MVMSCL- T	0.187 7	0.264 4	0.112 1	0.132 9
MVMSCL-L	0.189 5	0.266 0	0.112 1	0.132 1
MVMSCL-G	0.195 8	0.272 7	0.116 1	0.136 3
MVMSCL-C	0.198 0	0.274 0	0.117 0	0.137 1
MVMSCL	0.198 3	0.274 2	0.117 5	0.137 4

表3 MVMSCL模型消融实验对比结果

Tab. 3 Comparison results of MVMSCL model’s ablation experiments

模型	R@20	R@40	N@20	N@40
MVMSCL- W	0.184 2	0.258 6	0.108 2	0.127 7
MVMSCL- $H α$	0.190 7	0.268 0	0.112 4	0.132 6
MVMSCL- $H β$	0.190 9	0.268 1	0.112 5	0.132 6
MVMSCL- T	0.187 7	0.264 4	0.112 1	0.132 9
MVMSCL-L	0.189 5	0.266 0	0.112 1	0.132 1
MVMSCL-G	0.195 8	0.272 7	0.116 1	0.136 3
MVMSCL-C	0.198 0	0.274 0	0.117 0	0.137 1
MVMSCL	0.198 3	0.274 2	0.117 5	0.137 4

图3 超参数λ1对模型推荐性能的影响

Fig. 3 Influence of parameter λ1 on recommendation performance of model

图4 GNN层数对模型推荐性能的影响

Fig. 4 Influence of layers of GNN on performance of model

表4 多视图融合策略实验结果

Tab. 4 Experimental results of multi-view fusion strategies

模型	R@20	R@40	N@20	N@40
$Z$	0.136 6	0.198 7	0.081 4	0.097 6
$Z + W + H α$	0.172 3	0.245 5	0.101 7	0.121 1
$Z + W + H β$	0.171 9	0.245 1	0.101 4	0.120 5
$Z + W + T$	0.166 3	0.241 1	0.097 2	0.116 6
$Z + H α + T$	0.184 2	0.258 6	0.108 2	0.127 2

表4 多视图融合策略实验结果

Tab. 4 Experimental results of multi-view fusion strategies

模型	R@20	R@40	N@20	N@40
$Z$	0.136 6	0.198 7	0.081 4	0.097 6
$Z + W + H α$	0.172 3	0.245 5	0.101 7	0.121 1
$Z + W + H β$	0.171 9	0.245 1	0.101 4	0.120 5
$Z + W + T$	0.166 3	0.241 1	0.097 2	0.116 6
$Z + H α + T$	0.184 2	0.258 6	0.108 2	0.127 2

表5 多尺度对比策略

Tab. 5 Multi-scale comparative strategies

模型	R@20	R@40	N@20	N@40
AllLocal+Layer	0.180 9	0.106 8	0.256 2	0.126 5
AllGlobal+Layer	0.192 1	0.114 6	0.269 5	0.134 8
Local+Global+Layer	0.198 3	0.117 5	0.274 2	0.137 4

参考文献 21

1	GAO C， ZHENG Y， 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）： No.3.
2	PARK S， YOON M， LEE J W， et al. Toward a better understanding of loss functions for collaborative filtering ［C］// Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. New York： ACM， 2023： 2034-2043.
3	WANG X， HE X， WANG M， et al. Neural graph collaborative filtering ［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 165-174.
4	HE X， DENG K， WANG X， et al. LightGCN： simplifying and powering graph convolution network for recommendation ［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 639-648.
5	MAO K， ZHU J， XIAO X， et al. UltraGCN： ultra simplification of graph convolutional networks for recommendation ［C］// Proceedings of the 30th ACM International Conference on Information and Knowledge Management. New York： ACM， 2021： 1253-1262.
6	LINSKER R. Self-organization in a perceptual network ［J］. Computer， 1988， 21（3）：105-117.
7	杨兴耀，陈羽，于炯，等. 结合自我特征和对比学习的推荐模型［J］. 计算机应用， 2024， 44（9）：2704-2710.
	YANG X Y， CHEN Y， YU J， et al. Recommendation model combining self-features and contrastive learning ［J］. Journal of Computer Applications， 2024， 44（9）：2704-2710.
8	WU J， WANG X， FENG F， et al. Self-supervised graph learning for recommendation ［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 726-735.
9	LIN Z， TIAN C， HOU Y， et al. Improving graph collaborative filtering with neighborhood-enriched contrastive learning ［C］// Proceedings of the ACM Web Conference 2022. New York： ACM， 2022： 2320-2329.
10	XIA L， HUANG C， XU Y， et al. Hypergraph contrastive collaborative filtering ［C］// Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2022： 70-79.
11	WANG W， FENG F， HE X， et al. Deconfounded recommendation for alleviating bias amplification ［C］// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2021： 1717-1725.
12	ABRAMOVICH S， PERSSON L E. Some new estimates of the ‘Jensen gap’ ［J］. Journal of Inequalities and Applications， 2016， 2016： No.39.
13	GAO X， SITHARAM M， ROITBERG A E. Bounds on the Jensen gap， and implications for mean-concentrated distributions ［J］. Information Processing and Management， 2019， 16（2）： No.14.
14	HAMERS L， HEMERYCK Y， HERWEYERS G， et al. Similarity measures in scientometric research： the Jaccard index versus Salton’s cosine formula ［J］. Information Processing and Management， 1989， 25（3）： 315-318.
15	TIAN C， XIE Y， LI Y， et al. Learning to denoise unreliable interactions for graph collaborative filtering ［C］// Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2022： 122-132.
16	REN X， XIA L， ZHAO J， et al. Disentangled contrastive collaborative filtering ［C］// Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2023：1137-1146.
17	CAI X， HUANG C， XIA L， et al. LightGCL： simple yet effective graph contrastive learning for recommendation ［EB/OL］. ［2024-05-23］. .
18	HE X， LIAO L， ZHANG H， et al. Neural collaborative filtering［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 173-182.
19	SEDHAIN S， MENON A K， SANNER S， et al. AutoRec： autoencoders meet collaborative filtering ［C］// Proceedings of the 24th International Conference on World Wide Web. New York： ACM， 2015： 111-112.
20	WANG X， JIN H， ZHANG A， et al. Disentangled graph collaborative filtering ［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 1001-1010.
21	LI H， WANG X， ZHANG Z， et al. Disentangled contrastive learning on graphs ［C］// Proceedings of the 35th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2021： 21872-21884.

[1]	游兰, 张雨昂, 刘源, 陈智军, 王伟, 曾星, 何张玮. 基于协作贡献网络的开源项目开发者推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1213-1222.
[2]	王聪, 史艳翠. 基于多视角学习的图神经网络群组推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1205-1212.
[3]	杨光局, 罗天健, 王开军, 杨思琪. 多分支多视图的时间序列上下文对比表征学习方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1042-1052.
[4]	田仁杰, 景明利, 焦龙, 王飞. 基于混合负采样的图对比学习推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1053-1060.
[5]	王元龙, 刘亭华, 张虎. 基于跨模态对比学习的常识问答模型[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 732-738.
[6]	陈维, 施昌勇, 马传香. 基于多模态数据融合的农作物病害识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 840-848.
[7]	蔡启健, 谭伟. 语义图增强的多模态推荐算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 421-427.
[8]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[9]	严雪文, 黄章进. 基于对比学习的小样本图像分类方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 383-391.
[10]	马汉达, 吴亚东. 多域时空层次图神经网络的空气质量预测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 444-452.
[11]	区卓越, 邓秀勤, 陈磊. 基于加权锚点的自适应多视图互补聚类算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 115-126.
[12]	赵文博, 马紫彤, 杨哲. 基于有向超图自适应卷积的链接预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 15-23.
[13]	余肖生, 王智鑫. 基于多层次图对比学习的序列推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 106-114.
[14]	程子栋, 李鹏, 朱枫. 物联网威胁情报知识图谱中潜在关系的挖掘[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 24-31.
[15]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.

基于多视图多尺度对比学习的图协同过滤

Multi-view and multi-scale contrastive learning for graph collaborative filtering

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 21

相关文章 15

编辑推荐

Metrics