融合对抗混合负采样的图对比学习推荐算法研究

来源：计算机工程与应用杂志2026年第10期北京时间：

作者：宋威, 王田靖, 宁可庆, 郭威

单位：1.北方工业大学 人工智能与计算机学院，北京 100144；2.北方工业大学 集成电路学院，北京 100144；3.北方工业大学 电气与控制工程学院，北京 100144；

摘要：对比学习在缓解推荐系统数据稀疏性和提升表示学习质量方面具有良好效果，但现有方法普遍忽视了负样本构造质量以及嵌入表示鲁棒性对模型性能的影响。针对上述问题，提出一种融合对抗混合负采样的图对比学习推荐算法（adaptive adversarial mixed negative sampling for graph contrastive learning in recommendation，AMixGCL）。该算法通过在嵌入空间中构造混合对抗负样本，引入更具挑战性的训练信号以增强模型判别能力；同时在多层次图嵌入空间中开展对比学习，充分利用图结构信息，有效缓解图嵌入过平滑问题并提升表示多样性。采用自适应噪声增强策略生成对比视图，以提高嵌入表示的一致性与稳定性，并将推荐主任务与对比学习任务进行联合优化。在Yelp2018、Amazon-kindle和Alibaba-iFashion三个大型高度稀疏基准数据集上进行综合实验，实验结果表明，所提算法相较于基线模型在Recall@20指标上分别提升了24%、22%和38%，在NDCG@20指标上分别提升了25%、26%和42%，且显著优于现有的推荐方法，验证了其在推荐任务中的有效性和优越性。

关键词：推荐系统,图神经网络,对比学习,负采样,数据增强

基金资助：北方工业大学青年科研专项（2025NCUTYRSP002）。