融合层注意力机制的多视角图对比学习推荐方法

来源：计算机研究与发展杂志2025年第1期北京时间：

作者：钱忠胜,黄恒,朱辉,刘金平,

摘要：图对比学习因其可有效缓解数据稀疏问题被广泛应用在推荐系统中.然而，目前大多数基于图对比学习的推荐算法均采用单一视角进行学习，这极大地限制了模型的泛化能力，且图卷积网络本身存在的过度平滑问题也影响着模型的稳定性.基于此，提出一种融合层注意力机制的多视角图对比学习推荐方法.一方面，该方法提出2种不同视角下的3种对比学习，在视图级视角下，通过对原始图添加随机噪声构建扰动增强视图，利用奇异值分解（singularvaluedecomposition）重组构建SVD增强视图，对这2个增强视图进行视图级对比学习；在节点视角下，利用节点间的语义信息分别进行候选节点和候选结构邻居对比学习，并将3种对比学习辅助任务和推荐任务进行多任务学习优化，以提高节点嵌入的质量，从而提升模型的泛化能力.另一方面，在图卷积网络学习用户和项目的节点嵌入时，采用层注意力机制的方式聚合最终的节点嵌入，提高模型的高阶连通性，以缓解过度平滑问题.在4个公开数据集LastFM,Gowalla,Ifashion,Yelp上与10个经典模型进行对比，结果表明该方法在Recall,Precision,NDCG这3个指标上分别平均提升3.12%,3.22%,4.06%，这说明所提方法是有效的.

关键词：层注意力机制, 对比学习, 图卷积网络, 多任务学习, 推荐系统,