Knowledge-aware recommendation performance enhancement method based on multi-heterogeneous topology collaboration and hierarchical contrastive learning

doi:10.11772/j.issn.1001-9081.2025060795

Abstract

Abstract:

To address knowledge-aware recommendation limitations， including insufficient high-order semantic modeling， weak exploitation of item deep correlations， and weak exploitation of knowledge graph structure feature， a knowledge-aware recommendation performance enhancement method based on Multi-heterogeneous Topology collaboration and Hierarchical Contrastive Learning （MTHCL） was proposed. First， three heterogeneous graphs were constructed： a Collaborative Filtering-based Item-item Graph （CFIG） was designed to capture collaborative filtering signals， a Knowledge Graph-based Item-entity Graph （KGIG） was established to mine semantic associations， and a User Preference Graph （UPG） was developed to model multi-hop interest evolution via dynamic attention mechanism. Then， a hierarchical contrastive learning strategy was designed to establish a complementary mechanism across heterogeneous topological views. In the local layer， semantic accuracy was ensured by focusing on the direct interaction features between users and items； in the dynamic layer， scene adaptability was enhanced by using attention weighted aggregation of multi-hop relationships； in the global layer， semantic consistency was guaranteed through fusing multi-view information. Finally， regularization term was introduced to suppress overfitting， and an integrated loss function was used to optimize the method. Experimental results demonstrate that MTHCL achieves the highest Area Under Curve （AUC） and F1-score （F1）， outperforming the best baseline method — Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System （MCCLK） by 2.23 and 2.19 percentage points on the Book-Crossing dataset， 1.24 and 1.78 percentage points on the MovieLens-1M dataset， and 1.86 and 1.97 percentage points on the Last.FM dataset. Ablation study results confirm the critical contributions of multi-view collaboration and hierarchical contrastive learning to performance enhancement， and also verify the superiority of multi-view collaboration and hierarchical contrastive learning in effectively enhancing recommendation performance.

Key words: knowledge-aware recommendation, heterogeneous topology collaboration, hierarchical contrastive learning, dynamic preference modeling

摘要：

针对知识感知推荐中高阶语义关系建模不足、挖掘项目深层关联不充分及知识图谱结构特征利用层次浅的问题，提出一种基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法（MTHCL）。首先，构建3类异构视图：项目-项目视图（CFIG）用于捕捉协同过滤信号，项目-实体视图（KGIG）用于挖掘语义关联，用户偏好图（UPG）则通过动态注意力机制建模多跳兴趣演化；其次，设计分层对比学习策略，与异构拓扑图协同形成互补机制，在局部层聚焦用户-项目的直接交互特征确保基础语义准确性，在动态层利用注意力加权聚合多跳关系提升场景适应性，在全局层融合多视图信息以保证语义一致性；最后，引入正则化项来抑制过拟合，并结合综合损失函数优化方法。实验结果表明， MTHCL的曲线下面积（AUC）和F1分数（F1）均为最高，较最优基线方法——多层次跨视图对比学习知识感知推荐系统（MCCLK）在Book-Crossing数据集上分别提升了2.23和2.19个百分点，在MovieLens-1M数据集上分别提升了1.24和1.78个百分点，在Last.FM数据集上分别提升了1.86和1.97个百分点。消融实验结果也证实了多视图协同与层次化对比学习对性能提升的关键贡献，验证了它们在有效增强推荐性能上的优越性。

关键词: 知识感知推荐, 异构拓扑协同, 层次对比学习, 动态偏好建模

CLC Number:

TP391.4

Haiwei FAN, Wenshuai DING, Hongzheng XING. Knowledge-aware recommendation performance enhancement method based on multi-heterogeneous topology collaboration and hierarchical contrastive learning[J]. Journal of Computer Applications, 2026, 46(7): 2085-2095.

樊海玮, 丁文帅, 邢宏政. 基于多异构拓扑图协同与层次对比学习的知识感知推荐性能增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2085-2095.

Figures/Tables 14

Tab. 1 Symbol description

符号	含义	符号	含义
$u *$	对比用户（非当前用户）	$i *$	对比项目（非当前项目）
$e *$	对比实体（非当前实体）	$I o U G k g$	KG图的项目-实体交并比
$x i C$	项目最终表示	$M c$	归一化项目交互矩阵
$x u C$	用户最终表示	$I o U c$	CF图项目间交并比
$G k g$	知识图谱	$e i (m)$	项目 $i$ 第 $m$ 层的嵌入
$Y$	用户项目	$e u (m)$	项目 $u$ 第 $m$ 层的嵌入
$L g l o b a l$	全局对比损失	$G p d$	用户 $u$ 的偏好图
$L c$	动态对比损失	$L r e c$	BPR排序损失
$L l o c a l$	局部对比损失	$M G k g$	KG图归一化语义矩阵

Tab. 1 Symbol description

符号	含义	符号	含义
$u *$	对比用户（非当前用户）	$i *$	对比项目（非当前项目）
$e *$	对比实体（非当前实体）	$I o U G k g$	KG图的项目-实体交并比
$x i C$	项目最终表示	$M c$	归一化项目交互矩阵
$x u C$	用户最终表示	$I o U c$	CF图项目间交并比
$G k g$	知识图谱	$e i (m)$	项目 $i$ 第 $m$ 层的嵌入
$Y$	用户项目	$e u (m)$	项目 $u$ 第 $m$ 层的嵌入
$L g l o b a l$	全局对比损失	$G p d$	用户 $u$ 的偏好图
$L c$	动态对比损失	$L r e c$	BPR排序损失
$L l o c a l$	局部对比损失	$M G k g$	KG图归一化语义矩阵

Fig. 1 Framework of MTHCL

Fig. 2 Item-item （entity） graph

Fig. 3 Zero-order preference graph

Fig. 4 Low-order preference graph

Fig. 5 High-order preference graph generation process

Fig. 6 Schematic diagram of dynamic contrastive learning

Tab. 2 Experimental environment

项目	配置
GPU	NVIDIA 4090
CPU	Xeon Platinum 8481C
操作系统	Windows 10
编程语言	Python 3.9
深度学习框架	PyTorch 2.1
环境管理工具	Anaconda 4.9.2
计算框架	CUDA 12.1

Tab. 3 Training parameter setting in comparison experiments

数据集	嵌入向量维度 $d$	局部对比学习权重 $λ 1$	对比学习合并权重 $λ 2$	迭代次数	批处理大小
Book-Crossing	64	1	0.7	500	2 048
MovieLens-1M	64	1	0.8	300	2 048
Last.FM	64	1	0.7	400	2 048

Tab. 3 Training parameter setting in comparison experiments

数据集	嵌入向量维度 $d$	局部对比学习权重 $λ 1$	对比学习合并权重 $λ 2$	迭代次数	批处理大小
Book-Crossing	64	1	0.7	500	2 048
MovieLens-1M	64	1	0.8	300	2 048
Last.FM	64	1	0.7	400	2 048

Tab. 4 Dataset statistics

数据集	用户项目交互图				知识图谱
数据集	用户数	项目数	交互数	稀疏性/%	实体数	关系数	三元组数
Book-Crossing	17 860	14 967	139 746	99.94	77 903	25	151 500
MovieLens-1M	6 036	2 445	753 772	94.89	182 011	12	1 241 996
Last.FM	1 872	3 846	42 346	99.41	9 366	60	15 518

Fig. 7 Node degree distribution of Last.FM dataset

Tab. 5 Comparison of experimental results of various models in click-through rate prediction scene on three datasets

模型	Book-Crossing		MovieLens-1M		Last.FM
模型	AUC	F1	AUC	F1	AUC	F1
RippleNet	0.721 1	0.647 2	0.919 0	0.842 2	0.776 2	0.702 5
PER	0.604 8	0.572 6	0.712 4	0.667 0	0.641 4	0.603 3
KGCN	0.684 0	0.631 3	0.909 1	0.836 6	0.802 7	0.708 6
KCNN-LS	0.676 2	0.631 4	0.914 0	0.841 0	0.805 2	0.722 4
KGIN	0.727 3	0.661 4	0.919 0	0.844 1	0.848 6	0.760 2
KGAT	0.731 4	0.654 4	0.914 0	0.844 0	0.829 4	0.742 5
MCCLK	0.7625	0.677 2	0.9351	0.855 9	0.8763	0.8008
EMKR	0.746 1	0.6777	0.923 1	0.848 1	0.808 4	0.752 9
UPIACM	0.760 8	0.675 1	0.935 0	0.8631	0.845 1	0.766 8
KGIE	0.759 0	0.673 6	0.933 8	0.862 1	0.868 2	0.792 5
MTHCL	0.784 8	0.699 1	0.947 5	0.873 7	0.894 9	0.820 5

Fig. 8 AUC and F1 comparison of hyperparameters on three datasets

Fig. 9 Results of ablation experiments

References 23

[1]	Xu C， Zhang F， Zhang Z， et al. Exploring high-order user preference with knowledge graph for recommendation ［C］// CIKM 2024. New York： ACM， 2024： 4138-4142.
[2]	Yang Y， Huang C， Xia L， et al. Knowledge graph self-supervised rationalization for recommendation ［C］// KDD 2023. New York： ACM， 2023： 3046-3056.
[3]	Wang H， Zhang F， Xie X， et al. DKN： Deep knowledge-aware network for news recommendation ［C］// .
[4]	Yu X， Ren X， Sun Y， et al. Personalized entity recommendation： a heterogeneous information network approach ［C］// WSDM 2014. New York： ACM， 2014： 283-292.
[5]	Sun Z， Yang J， Zhang J， et al. Recurrent knowledge graph embedding for effective recommendation ［C］// RecSys 2018， New York： ACM， 2018： 297-301.
[6]	Wang H， Zhang F， Wang J， et al. RippleNet： propagating user preferences on the knowledge graph for recommender systems ［C］// CIKM 2018. New York： ACM， 2018： 417-426.
[7]	Wang H， Zhao M， Xie X， et al. Knowledge graph convolutional networks for recommender systems ［C］// WWW 2019. New York： ACM， 2019： 3307-3313.
[8]	Wang X， He X， Cao Y， et al. KGAT： knowledge graph attention network for recommendation ［C］// KDD 2019. New York： ACM， 2019： 950-958.
[9]	樊海玮，张锐驰，安毅生，等.融合知识图谱邻居双端的在线学习资源推荐算法［J］.计算机应用， 2022， 42（10）： 3054-3059.
	Fan Haiwei， Zhang Ruichi， An Yisheng， et al. Recommendation algorithm for online learning resources based on double-end neighbor fusion knowledge graph ［J］. Journal of Computer Applications， 2022， 42（10）： 3054-3059.
[10]	Zou D， Wei W， Mao X L， et al. Multi-level cross-view contrastive learning for knowledge-aware recommender system ［C］// SIGIR 2022. New York： ACM， 2022： 1358-1368.
[11]	樊海玮，张朝亮，牛新阳，等.多层次图间对比增强的知识感知传播推荐算法［J］.计算机系统应用， 2025， 34（2）： 49-60.
	Fan Haiwei， Zhang Chaoliang， Niu Xinyang， et al. Contrastive enhancement in multi-level graph for knowledge-aware propagation recommender algorithm ［J］. Computer Systems and Applications， 2025， 34（2）： 49-60.
[12]	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.
	Cen Keting， Shen Huawei， Cao Qi， et al. A survey on graph contrastive learning ［J］. Journal of Chinese Information Processing， 2023， 37（5）： 1-21.
[13]	Qiu J， Chen Q， Dong Y， et al. GCC： graph contrastive coding for graph neural network pre-training ［C］// KDD 2020. New York： ACM， 2020： 1150-1160.
[14]	田仁杰，景明利，焦龙，等.基于混合负采样的图对比学习推荐算法［J］.计算机应用， 2025， 45（4）： 1053-1060.
	Tian Renjie， Jing Mingli， Jiao Long， et al. Recommendation algorithm of graph contrastive learning based on hybrid negative sampling ［J］. Journal of Computer Applications， 2025， 45（4）： 1053-1060.
[15]	Kipf T N， Welling M. Variational graph auto-encoders ［PP/OL］. arXiv （2016-11-21）［2026-06-20］. .
[16]	Hu Z， Dong Y， Wang K， et al. GPT-GNN： generative pre-training of graph neural networks ［C］// KDD 2020. New York： ACM， 2020： 1857-1867.
[17]	You Y， Chen T， Sui Y， et al. Graph contrastive learning with augmentations ［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 5812-5823.
[18]	Sun Q， Li J， Peng H， et al. SUGAR： subgraph neural network with reinforcement pooling and self-supervised mutual information mechanism ［C］// WWW 2021. New York： ACM， 2021： 2081-2091.
[19]	Wang H， Zhang F， Zhang M， et al. Knowledge-aware graph neural networks with label smoothness regularization for recommender systems ［C］// KDD 2019. New York： ACM， 2019： 968-977.
[20]	Wang X， Huang T， Wang D， et al. Learning intents behind interactions with knowledge graph for recommendation ［C］// WWW 2021. New York： ACM， 2021： 878-887.
[21]	Gao M， Li J Y， Chen C H， et al. Enhanced multi-task learning and knowledge graph-based recommender system ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（10）： 10281-10294.
[22]	Wang J， Shi Y， Yu H， et al. A novel KG-based recommendation model via relation-aware attentional GCN ［J］. Knowledge-Based Systems， 2023， 275： No.110702.
[23]	Li M， Ma W， Chu Z. KGIE： knowledge graph convolutional network for recommender system with interactive embedding ［J］. Knowledge-Based Systems， 2024， 295： No.111813.