基于多视图融合跨层对比学习的推荐算法

现有基于图对比学习的推荐模型在图数据增强方面通常只采用一种视图增强方法,忽略了单一方法存在的局限性,在对比学习方面通常只对比同一节点的一对视图,未充分利用各个视图不同的层嵌入。为此,提出一种基于多视图融合跨层对比学习的推荐算法框架(MFCCL)。MFCCL分别使用随机边丢弃和随机添加噪声的增强方法构建2个全局视图,使用奇异值分解的方法构建局部视图,通过3种不同的视图增强方法构造全局和局部共3个视图,以实现有效的用户表示。同时,提出一种新的多视图融合跨层对比学习方法,该方法将2个全局视图不同的层嵌入通过平行和交叉2种方式进行融合后作对比,以获取更多的特征信息。将多视图融合跨层对比学习与全局-局部视图对比学习相结合,联合优化模型,从而提升推荐性能。在Yelp、Tmall和Amazon-book这3个公开数据集上进行实验,结果表明,MFCCL在推荐任务中具有有效性和可行性,相较于对比模型中性能最优的基线模型SimGCL,MFCCL在3个数据集中的Recall@20增益分别达到15.0%、13.3%和28.7%,NDCG@20值分别提升14.3%、13.2%和29.6%。

基于信任关系重建和社交网络传递的推荐算法

传统的协同过滤推荐算法存在数据稀疏和可用用户偏好信息有限的问题。针对数据稀疏问题和联系不可靠现象对传统社交网络推荐带来的影响,提出一种在信任关系重建和社交网络传递基础上的推荐算法。引入去伪存真方法避免联系不可靠现象,根据用户所建立的联系规模改进用户相似度计算公式提高去伪存真准确度。定义预备朋友的概念,为用户推荐预备朋友解决数据稀疏问题。在重建的信任关系上利用社交网络的传递性进行预测评分,并定义二端分布函数调节预测评分提高推荐准确度。在数据集Epinion上进行实验,结果表明,该算法能减小数据稀疏和联系不可靠现象对推荐结果的负面影响,有效降低预测结果的平均绝对误差,提高推荐的准确度。