基于自监督三重训练和聚合一致邻居的社会化推荐模型

作     者：刘树栋 李丽颖 陈旭 LIU Shudong;LI Liying;CHEN Xu

作者机构：中南财经政法大学人工智能法商应用研究中心武汉430073 中南财经政法大学信息工程学院武汉430073 

出 版 物：《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)

年 卷 期：2024年第37卷第3期

页      面：207-220页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(No.61602518,72374219) 国家社会科学基金一般项目(No.21BXW076) 高等学校学科创新引智基地项目(No.B21038)资助 

主　　题：社会化推荐 协同过滤 数据稀疏性 超图 一致邻居 

摘      要：将用户社会关系引入用户-商品评分数据中,构建用户-商品异构关系图,可缓解传统推荐系统面临的数据稀疏性和冷启动问题.但是,由于用户间社会关系的复杂性,聚合不一致的社会邻居可能会降低推荐性能.针对上述问题,文中提出基于自监督三重训练和聚合一致邻居的社会化推荐模型(Social Recommendation Based on Self-Supervised Tri-Training and Consistent Neighbor Aggregation,SR-STCNA).首先,在用户-商品评分数据的基础上,引入用户-用户间的社交关系,在用户-商品异构图中构建多种关系.使用超图表示用户和用户、用户和商品之间的关系.使用自监督三重训练,从未标记的数据中学习用户表示,充分挖掘用户-用户和用户-商品间存在的复杂连接关系.然后,通过用户-商品异构图上的节点一致性得分和关系自注意力,在用户和商品表示学习过程中聚合一致邻居,增强用户和商品嵌入表示能力,提高推荐性能.在CiaoDVD、FilmTrust、***、Yelp数据集上的实验表明,SR-STCNA性能较优.