鄢凡力，胥小波，趙容梅，孫思雨，琚生根*

(1.四川大學(xué)計算機學(xué)院，四川成都 610065；2.中國電子科技集團(tuán)公司第三十研究所，四川成都 610225)

隨著技術(shù)飛速發(fā)展，海量信息在網(wǎng)絡(luò)上生成，信息嚴(yán)重過載。推薦模型作為一種有效的信息過濾機制被廣泛應(yīng)用，其能根據(jù)用戶需求從海量數(shù)據(jù)中篩選出有用內(nèi)容，并推薦給用戶[1]。提高推薦系統(tǒng)的精度對商家、電商平臺和用戶具有重要的商業(yè)和使用價值[2]。傳統(tǒng)的推薦方法，如協(xié)同過濾（CF）[3–5]，依賴于歷史用戶交互數(shù)據(jù)[6]對用戶、物品相似性進(jìn)行分析，從而實現(xiàn)推薦[7]。但是對于新出現(xiàn)的用戶和物品，其歷史交互數(shù)據(jù)通常是非常稀缺的，也就是存在冷啟動問題[8]。為了解決冷啟動問題，一個被廣泛采用的方法是引入知識圖譜[9]。知識圖譜具有豐富的實體和相關(guān)關(guān)系信息，能夠增強模型可解釋性?；谥R圖譜的推薦系統(tǒng)也被稱為知識感知推薦（KGR）[10–12]。早期的KGR研究使用不同的知識圖嵌入（KGE）[13–14]模型來預(yù)訓(xùn)練實體嵌入以進(jìn)行物品表示學(xué)習(xí)。近年來，有學(xué)者提出了基于連接的方法，該方法可以進(jìn)一步分為基于路徑的方法[15–17]和基于圖神經(jīng)網(wǎng)絡(luò)（GNN）[18–21]的方法?；诼窂降姆椒ㄍㄟ^捕獲知識圖譜的長程結(jié)構(gòu)來豐富用戶與物品之間的交互，而基于GNN的方法則利用節(jié)點鄰居上的局部聚合信息來生成節(jié)點表示，并將多跳鄰居集成到節(jié)點表示中。雖然基于GNN的模型有效，但它們存在用戶–物品交互稀疏性的固有缺陷[22]，這意味著在實際推薦過程中會出現(xiàn)標(biāo)簽不足的問題。

對比學(xué)習(xí)是一種能很好解決以上問題的方案。作為自監(jiān)督學(xué)習(xí)的經(jīng)典方法，對比學(xué)習(xí)實現(xiàn)了從無標(biāo)簽樣本數(shù)據(jù)中學(xué)習(xí)嵌入的目標(biāo)[23]。具體地，對比學(xué)習(xí)通過最大化負(fù)樣本之間的距離、最小化正樣本之間的距離來訓(xùn)練模型，從而實現(xiàn)了無顯式標(biāo)簽的訓(xùn)練。

盡管基于對比學(xué)習(xí)的方法對于解決監(jiān)督信號稀疏問題是有效的，但是現(xiàn)有的方法還存在以下兩個問題[24]：

1）現(xiàn)有的方法普遍使用圖卷積直接聚合節(jié)點的鄰居信息，在面對復(fù)雜網(wǎng)絡(luò)中稠密的節(jié)點時，無法排除其中不必要鄰居節(jié)點的干擾信息。

2）現(xiàn)有的方法對用戶–物品–實體的全局視圖進(jìn)行處理時忽略了局部特征；同時，在全局視圖上使用多跳信息聚合后，堆疊的多個神經(jīng)網(wǎng)絡(luò)層可能使得整個圖的節(jié)點過于平滑。

為了解決以上兩個問題，提出了基于跨視圖對比學(xué)習(xí)的知識感知系統(tǒng)（know ledge–aw are recommender system w ith cross–views contrastive learning，KRSCCL），以充分利用知識感知推薦系統(tǒng)中的用戶–物品交互，實現(xiàn)推薦。

模型首先基于全局和局部兩個視圖生成不同的用戶、物品節(jié)點，全局視圖使用關(guān)系圖注意力網(wǎng)絡(luò)聚合重要信息，局部視圖使用輕量級圖卷積網(wǎng)絡(luò)（Light–GCN）逐層聚合。然后，對兩個視圖下的節(jié)點表示進(jìn)行對比學(xué)習(xí)優(yōu)化，得到最終的節(jié)點表示來進(jìn)行預(yù)測和推薦。

主要貢獻(xiàn)如下：

1）使用關(guān)系圖注意力網(wǎng)絡(luò)有選擇地在鄰居節(jié)點上采集信息，以顯式和端到端的方式實現(xiàn)關(guān)系建模。

2）從用戶–物品–實體圖中考慮了兩種視圖，包括全局視圖、局部視圖。然后，對這兩個視圖進(jìn)行對比學(xué)習(xí)，實現(xiàn)表示增強。

3）在3個基線數(shù)據(jù)集上進(jìn)行了廣泛的實驗。結(jié)果證明了KRSCCL的優(yōu)勢，這表明了跨視圖對比學(xué)習(xí)和關(guān)系圖注意力網(wǎng)絡(luò)的有效性。

1 相關(guān)工作

1.1 基于GNN的知識感知推薦

基于知識圖譜的推薦系統(tǒng)，也稱為知識感知推薦，將用戶和物品視為知識圖譜中的頂點，并根據(jù)交互關(guān)系相連。因此，基于GNN的方法非常適合、并已廣泛應(yīng)用于知識感知推薦領(lǐng)域；該方法通過GNN的信息聚合機制，將多跳鄰居的信息聚合到節(jié)點中，建模知識圖譜的遠(yuǎn)程連接。Wang等[19]提出的圖卷積網(wǎng)絡(luò)推薦系統(tǒng)和Wang等[25]提出的標(biāo)簽平滑推薦系統(tǒng)首先利用GCN迭代聚合物品的鄰域信息來得到物品嵌入。Wang等[20]提出的注意力網(wǎng)絡(luò)推薦系統(tǒng)以端到端的方式對知識圖譜注意力網(wǎng)絡(luò)中的連接進(jìn)行建模，利用GCN遞歸地傳播來自節(jié)點鄰居的嵌入。Wang等[21]提出的意圖推薦系統(tǒng)通過對關(guān)系進(jìn)行建模，提出意圖的概念，形成用戶–意圖–物品–實體的信息傳遞路徑。盡管這些方法在有監(jiān)督學(xué)習(xí)方面表現(xiàn)出色，但它們必須依賴于稀疏的交互數(shù)據(jù)集，這限制了推薦效果的提升。

1.2 基于對比學(xué)習(xí)的方法

對比學(xué)習(xí)方法可通過拉近錨樣本和正樣本間距離、遠(yuǎn)離錨樣本和負(fù)樣本間距離來學(xué)習(xí)節(jié)點表示方式。谷歌提出的多任務(wù)自監(jiān)督學(xué)習(xí)大規(guī)模項目推薦框架[26]嘗試通過數(shù)據(jù)增強的方法將同一物品變成兩種不同的輸入，并得到兩個嵌入，借助自監(jiān)督損失函數(shù)，提升模型對物品特征的判別能力。在傳統(tǒng)的基于協(xié)同過濾的推薦方法中，Wu等[27]提出的自監(jiān)督對比學(xué)習(xí)模型將用戶–物品–實體圖擴(kuò)展（或損壞）為視圖，對原始圖和損壞圖進(jìn)行用戶–物品交互的對比學(xué)習(xí)。Shuai等[28]提出的評論感知模型利用評論構(gòu)建了一個具有特征增強邊的評論感知的用戶–物品圖，并從節(jié)點和邊兩個角度建模并進(jìn)行對比學(xué)習(xí)。這些方法通過對比學(xué)習(xí)，挖掘了更加深層次的信息，但缺乏一種結(jié)合細(xì)粒度方式的方法。

2 模型

提出了KRSCCL模型，如圖1所示，模型包含5個模塊：1）使用關(guān)系圖注意力網(wǎng)絡(luò)聚合用戶–物品–實體信息的全局視圖模塊；2）使用輕量級圖卷積網(wǎng)絡(luò)聚合用戶–物品信息的局部視圖模塊；3）基于全局、局部兩個視圖的對比學(xué)習(xí)模塊；4）對用戶、物品表示進(jìn)行貝葉斯個性化排序（BPR）的預(yù)測推薦模塊；5）實現(xiàn)多任務(wù)聯(lián)合訓(xùn)練的優(yōu)化模塊。

2.1 全局視圖

全局視圖包含所有用戶、物品和實體節(jié)點以及它們之間的關(guān)系，提供了所有可用信息。KRSCCL在全局視圖中構(gòu)建了關(guān)系圖注意力網(wǎng)絡(luò)，有選擇地聚合節(jié)點之間的信息，并引入了意圖[21]來增強用戶的表示能力。

2.1.1知識圖感知

為了充分利用知識圖譜信息[29–31]，本文提出了一種全局視圖下的知識圖感知模塊，通過1階鄰居節(jié)點表示更新節(jié)點表示。將不同節(jié)點之間的關(guān)系視為不同的嵌入表示，通過對每個物品節(jié)點和其連接實體節(jié)點之間的關(guān)系進(jìn)行建模，該模型可以學(xué)習(xí)到每個關(guān)系的權(quán)重，進(jìn)而實現(xiàn)節(jié)點信息的聚合。

圖2為關(guān)系圖注意力的一個實例，展示了不同節(jié)點之間的關(guān)系具有不同權(quán)重。圖2中：節(jié)點“Cast Away”和“Forrest Gump”通過“U.S.”和“Tom Hanks”聯(lián)系起來，每一條邊表示的關(guān)系α代表節(jié)點之間具有不同關(guān)系，不同α具有不同的權(quán)重數(shù)值；α6為“Cast Away”的出品國家是“U.S.”，α4為“Forrest Gump”的出品國家是“U.S.”?！癠.S.”對連接的兩個節(jié)點表示的電影具有不同影響力，α4和α6具有不同權(quán)重。

圖1 KRSCCL模型視圖Fig.1 Illustration of the proposed KRSCCL model

圖2 關(guān)系圖注意力實例Fig.2 Example of relation graph attention

綜上，KRSCCL建立了一種在知識圖譜上的消息聚合機制，用于連接物品及其連接實體，并通過注意力機制生成物品的嵌入。公式如下：

式（1）～（2）中，e v為實體v的初始嵌入，r i,v為物品i關(guān)于實體v不同關(guān)系的嵌入，Ni為物品i相鄰實體集合，ζ(v,r i,v)為知識聚合過程中實體v和特定關(guān)系r i,v相關(guān)性，為物品i的初始嵌入，為物品i在全局視圖（global view）下的最終表示，LeakyReLU為用以處理非線性變換的激活函數(shù)。

2.1.2節(jié)點表示生成

在全局視圖中，KRSCCL通過兩種不同方式分別生成用戶和物品表示。

在生成用戶表示時，引入意圖p的概念，意圖反映用戶在選擇物品時的偏好，被用于衡量用戶對于不同的物品維度的關(guān)注程度[21]。例如，一個用戶可能更關(guān)心某個物品的價格和品牌，而不是其他維度，比如物品的顏色和生產(chǎn)日期。意圖p可以看作是一種對用戶偏好的編碼方式，公式如下所示：

式（3）～（4）中，e p為意圖p的嵌入，e r為關(guān)系r的嵌入，γ(r,p)為一個注意力分?jǐn)?shù)來量化關(guān)系r重要性，wrp是關(guān)系r和意圖p的可訓(xùn)練權(quán)重，R為所有種類的關(guān)系集合，r'為R中的關(guān)系。

要注意的是，意圖p并不是單個用戶獨有的，而是所有用戶共同訓(xùn)練的結(jié)果。意圖p的數(shù)量和每個意圖下r的數(shù)量是人為規(guī)定的，多數(shù)人會基于相同的意圖做出物品的選擇，而對于某一個意圖只需要考慮占比重最大的幾個關(guān)系。意圖表示彼此之間應(yīng)該盡可能不同。因此，應(yīng)該最大化意圖距離相關(guān)性cor()，距離函數(shù)有很多選擇，如余弦距離或歐氏距離[32]，采用如下表示：

式（5）～（6）中，p'為和意圖p不同的其他意圖，cov()為兩個意圖表示的距離協(xié)方差，var()為意圖表示的距離方差，LIND為增加意圖獨立性的損失函數(shù)。通過如下公式得到用戶u的最終表示：

式（7）～（8）中，β(u,p)為用戶u關(guān)于意圖p的注意力分?jǐn)?shù)，P為所有意圖，Nu為用戶u的所有相鄰物品的集合，|Nu|為用戶u所有相鄰物品的數(shù)量。

和文獻(xiàn)[21]不同的是，KRSCCL不采用多層聚合的方式，KRSCCL只有1跳。原因是圖注意力和圖卷積網(wǎng)絡(luò)的不同，多層聚合會對關(guān)系注意力造成干擾，使實驗效果下降。

2.2 局部視圖

過去的模型僅考慮全局視圖下用戶–物品–實體節(jié)點的信息，無法很好地反映用戶和物品之間的局部關(guān)系。為了更全面地進(jìn)行對比學(xué)習(xí)，受到文獻(xiàn)[33–35]的啟發(fā)，本文提出了細(xì)粒度的局部視圖。

在局部級別的用戶–物品視圖中使用Ligh t–GCN[36]來學(xué)習(xí)用戶和物品表示。Light–GCN是一種遞歸執(zhí)行k次聚合的模型，可以有效地捕捉用戶–物品交互的遠(yuǎn)程連接信息。不需要特征變換和非線性激活函數(shù)，Light–GCN使用簡單的消息傳遞和聚合機制，且計算高效[34]。在第k層中，Light–GCN的聚合過程如下所示：

2.3 跨視圖對比學(xué)習(xí)

得到全局和局部節(jié)點后，為了進(jìn)一步挖掘兩個視圖的特征信息，KRSCCL對兩個視圖的節(jié)點使用對比學(xué)習(xí)。以物品節(jié)點為例，全局和局部視圖分別產(chǎn)生了物品表示和。為了找到正、負(fù)和錨樣本，兩個視圖內(nèi)的節(jié)點對可以分成3類：同一視圖不同位置節(jié)點對、不同視圖不同位置節(jié)點對和不同視圖同一位置節(jié)點對，分別對應(yīng)圖1的藍(lán)色、紫色和橙色。例如，不同視圖同一位置節(jié)點對()表示從兩個視角看同一個事物的不同內(nèi)容。因此，這樣的節(jié)點對應(yīng)視為正樣本。相反，對于同一視圖不同位置節(jié)點對()，i≠i'和不同視圖不同位置節(jié)點對()，i≠i'，它們所指向的是不同的事物，因此視為負(fù)樣本。受文獻(xiàn)[37–38]的啟發(fā)，將這些正、負(fù)和錨樣本帶入對比學(xué)習(xí)中，物品對比損失 Li的公式如下：

式中，s為余弦相似度計算，τ為溫度參數(shù)，為全局視圖下物品i的嵌入，為在global全局視圖下和物品i位置不同的物品i'的嵌入，為在局部視圖下物品i的嵌入。

同理，KRSCCL使用類似的方法對用戶節(jié)點進(jìn)行跨視圖對比學(xué)習(xí)。在分別得到用戶和物品的對比學(xué)習(xí)損失 Lu和 Li后，最終對比學(xué)習(xí)損失 LCL如下：

2.4 模型預(yù)測

在全局視圖下，KRSCCL通過關(guān)系圖注意力網(wǎng)絡(luò)得到全局級用戶表示和全局級物品表示；在局部視圖下，通過輕量級圖卷積網(wǎng)絡(luò)得到局部級用戶表示和局部級物品表示。然后，對圖內(nèi)和圖間節(jié)點對進(jìn)行對比學(xué)習(xí)，對節(jié)點表示進(jìn)行優(yōu)化。

2.5 模型優(yōu)化

為了將推薦、對比學(xué)習(xí)等任務(wù)結(jié)合起來，KRSCCL使用了多任務(wù)訓(xùn)練策略來優(yōu)化整個模型。對于推薦任務(wù)，采用BPR損失[39]LBPR來重構(gòu)歷史數(shù)據(jù)，使用戶對歷史交互過的物品預(yù)測得分高于未交互過的物品。這種方法可以增強模型對用戶歷史行為的理解，從而更準(zhǔn)確地推薦相關(guān)物品。

式中：O為觀察到的訓(xùn)練數(shù)據(jù)集，包含交互樣本O+和隨機挑選的樣本O–；σ()為sigmoid函數(shù)；i+為O+中的正樣本物品；i–為O–中的負(fù)樣本物品。通過將全局和局部層面的對比損失、BPR損失和意圖獨立性損失相結(jié)合，最小化以下?lián)p失 L來學(xué)習(xí)模型參數(shù)：

式中，Θ是模型參數(shù)集，δ為平衡對比損失和BPR損失的超參數(shù)，β為控制意圖獨立性權(quán)重的超參數(shù)， λ為控制正則化項權(quán)重的超參數(shù)。

3 實 驗

為了驗證本文模型的效果，進(jìn)行了廣泛的實驗，回答以下研究問題：

1）相對于最先進(jìn)的基線模型，本文模型在推薦任務(wù)上表現(xiàn)如何？

2）本文模型不同模塊如何影響其性能表現(xiàn)？

3）不同的超參數(shù)設(shè)置如何影響本文模型的性能表現(xiàn)？

3.1 數(shù)據(jù)集及評估指標(biāo)

3.1.1數(shù)據(jù)集描述

在評估模型有效性方面，使用了3個不同領(lǐng)域的公開數(shù)據(jù)集：Book–Crossing、MovieLens–1M和Last.FM。這些數(shù)據(jù)集分別來自書籍、電影和音樂領(lǐng)域，并且具有不同的規(guī)模和稀疏性，數(shù)據(jù)集統(tǒng)計見表1。

表1 數(shù)據(jù)集內(nèi)容Tab.1 Statistics of datasets

Book–Crossing收集自書籍交叉社區(qū)，該社區(qū)由對各種書籍的評級（范圍從0到10）組成。

MovieLens–1M為電影推薦的數(shù)據(jù)集，包含大約100萬個顯式評分，來自6036個用戶和2445個物品。

Last.FM為一個從Last.FM 在線音樂系統(tǒng)中收集的音樂收聽數(shù)據(jù)集，擁有約2000名用戶。

作者采用RippleNet[40]方法，對3個數(shù)據(jù)集進(jìn)行了統(tǒng)一處理，并將其構(gòu)建成了用戶–關(guān)系–物品的3元組形式。為了構(gòu)建知識圖譜子集，按照3元組格式的要求，將每個子知識圖視為整個KG的子集，并且僅保留置信度大于0.9的3元組。在給定子知識圖的情況下，使用所有有效電影、書籍、音樂的名稱與3元組尾部進(jìn)行匹配，以獲取它們的ID。接下來，將物品ID與所有3元組的頭部進(jìn)行匹配，并從子知識圖中選擇所有匹配良好的3元組。

表1中的稀疏度分別是由交互在用戶–物品交互矩陣中的占比和3元組在物品–實體交互矩陣中的占比計算得來?？梢钥闯鲭娪啊⒁魳?、書籍3個數(shù)據(jù)集稀疏度依次下降。

3.1.2評估指標(biāo)

使用訓(xùn)練過的模型對測試集中的每個交互進(jìn)行預(yù)測，并以點擊通過率（CTR）預(yù)測作為實驗的評估標(biāo)準(zhǔn)。為了評估CTR預(yù)測的性能，采用了兩個廣泛使用的指標(biāo)，即ROC曲線下方的面積（AUC，記為SAUC）和F1分?jǐn)?shù)。這些指標(biāo)通常用于評估2分類模型的性能，其中，AUC反映了模型在不同閾值下分類正例和負(fù)例的能力，而F1分?jǐn)?shù)則綜合考慮了準(zhǔn)確率和召回率的表現(xiàn)，能夠更全面地評估模型的性能。AUC越接近1、F1分?jǐn)?shù)越高，代表模型的性能越好。

3.2 基線模型

為了證明提出的KRSCCL的有效性，本文將KRSCCL與4種類型的推薦系統(tǒng)模型進(jìn)行了比較，分別是：基于CF的模型（BPRMF）、基于嵌入的模型（CKE，RippleNet）、基于路徑的模型（PER）和基于GNN的模型（KGCN,KGNN–LS,KGAT,KGIN,CG–KGR）：

BPRMF是一個典型的基于CF的模型，使用成對矩陣分解隱式反饋優(yōu)化BPR損失。

CKE是一種基于嵌入的模型，將結(jié)構(gòu)、文本和視覺知識結(jié)合在一個框架中。

PER是一種典型的基于路徑的模型，它提取基于元路徑的特征來表示用戶和物品之間的連通性。

KGCN是一種基于GNN的模型，通過迭代集成鄰近信息來豐富物品嵌入。

KGNN–LS是一個基于GNN的模型，通過GNN和標(biāo)簽平滑正則化豐富了物品嵌入。

KGAT是一種基于GNN的模型，通過注意機制迭代地集成用戶–物品–實體圖上的鄰居，以獲得用戶、物品表示。

KGIN是一種基于GNN的模型，它在用戶意圖的粒度上分離用戶–物品交互，并在提出的用戶意圖–實體圖上執(zhí)行GNN。

CG–KGR是最新的基于GNN的模型，使用GNN將協(xié)作信號融合為知識聚合。

3.3 性能比較

表2為上述所有模型的實驗結(jié)果。把KRSCCL和最優(yōu)基線模型的實驗結(jié)果（表2中帶*數(shù)值）進(jìn)行比較，有以下觀察的現(xiàn)象與結(jié)論。

KRSCCL在兩個數(shù)據(jù)集上表現(xiàn)良好，高于所有基線模型，在Book–Crossing上僅次于最優(yōu)基線模型；在M ovieLens–1M數(shù)據(jù)集上，其AUC和F1分別高于最優(yōu)基線模型1.51%和2.00%；在Last.FM數(shù)據(jù)集上，其AUC和F1分別高于最優(yōu)基線模型2.35%和5.12%；不過在Book–Crossing數(shù)據(jù)集上提升不明顯，僅在F1上高于最優(yōu)基線模型，而在AUC上明顯弱于CG–KGR。

表2 在AUC和F1上的預(yù)測結(jié)果比較Tab.2 Results of AUC and F1 in CTR prediction

分析認(rèn)為提出模型性能普遍較好的原因是：1）對于數(shù)據(jù)更加稠密（電影、音樂）的數(shù)據(jù)集，KRSCCL的關(guān)系注意力網(wǎng)絡(luò)能有選擇地從鄰居節(jié)點獲取信息，減少了不重要信息的噪聲干擾；2）通過對全局和局部兩個視圖的對比學(xué)習(xí)能更好地挖掘數(shù)據(jù)信息，兼顧粗粒度和細(xì)粒度的信息，生成更強的節(jié)點表示。

分析認(rèn)為KRSCCL在Book–Crossing數(shù)據(jù)集效果不如最優(yōu)基線模型的原因主要是KRSCCL的關(guān)系注意力網(wǎng)絡(luò)的多跳聚合能力不如圖卷積網(wǎng)絡(luò)。在數(shù)據(jù)集特別稀疏的情況下，應(yīng)該直接將數(shù)據(jù)集信息全部聚合，而不是有選擇性地聚合。這樣做不會顯著增加計算時間，但是會有效提升性能。由于關(guān)系注意力網(wǎng)絡(luò)在稀疏數(shù)據(jù)集（Book–Crossing數(shù)據(jù)集）上的表現(xiàn)不佳，導(dǎo)致KRSCCL的性能效果上的表現(xiàn)不佳。解決這一問題將是后續(xù)工作的重點。

3.4 消融實驗

圖3為KRSCCL、KGIN及KRSCCL的兩個變體（WKGA、WACL）在AUC和F1上的表現(xiàn)，展示了模型中主要模塊對最終性能的貢獻(xiàn)。在WKGA變體中，去除了全局視圖中的知識圖感知模塊KGA，物品–實體通過最簡單的方式進(jìn)行保留；在WACL變體中，去除了跨視圖對比學(xué)習(xí)模塊ACL。

由圖3可知：

1）WKGA變體顯著降低了模型的性能，是效果最差的變體，這證明挖掘圖結(jié)構(gòu)信息對于知識感知推薦的重要性。同時，該模塊也是整個模型唯一利用知識圖譜的模塊，說明了引入知識圖譜的重要性。

2）在WKGA變體的3個數(shù)據(jù)集中，MovieLens–1M數(shù)據(jù)集下降不明顯，而其他數(shù)據(jù)集出現(xiàn)顯著下降。這可能是因為MovieLens–1M數(shù)據(jù)集最稠密，本身就包含豐富的信息。此時，模型仍然保留ACL模塊，使用了對比學(xué)習(xí)，從粗粒度和細(xì)粒度角度挖掘數(shù)據(jù)集本身信息，仍然可以生成效果不錯的節(jié)點表示。

3）在WACL變體中，可以看出兩個指標(biāo)均有下降，這證明了ACL模塊的重要性。相比于Book–Crossing數(shù)據(jù)集，另外兩個數(shù)據(jù)集下降不明顯，這說明在稀疏數(shù)據(jù)集上ACL模塊更加重要。這可能是由于在數(shù)據(jù)稀疏的情況下，更加需要深度挖掘圖信息，而對比學(xué)習(xí)在這個過程中起到了關(guān)鍵作用，能更加有效利用現(xiàn)有數(shù)據(jù)生成出更強節(jié)點表示。

4）從圖3中可以直觀地看出，WACL變體仍然在3個數(shù)據(jù)集的多數(shù)指標(biāo)上高于KGIN模型。這可能是因為KRSCCL在面對知識圖譜異構(gòu)網(wǎng)絡(luò)中復(fù)雜節(jié)點和關(guān)系時，排除了不必要信息的干擾，只對重要信息進(jìn)行了聚合。所以在稠密數(shù)據(jù)集上，取得了非常好的實驗結(jié)果。

圖3 消融實驗結(jié)果Fig.3 Effect of ablation study

3.5 超參實驗

3.5.1局部圖聚合深度的影響

為了探究局部圖聚合深度對LightGCN模塊的影響，在卷積層數(shù)范圍為{1,2,3,4,5}的模型進(jìn)行了實驗。圖4為MovieLens–1M、Last.FM和Book–Crossing數(shù)據(jù)集上的性能比較結(jié)果。在3個數(shù)據(jù)集上，當(dāng)層數(shù)分別為4、3、3時，KRSCCL呈現(xiàn)出最佳性能。實驗發(fā)現(xiàn)：1）隨著聚合層數(shù)的增加，模型效果逐步提升，但達(dá)到最優(yōu)層數(shù)后再增加將導(dǎo)致效果急劇下降；2）在較稀疏的數(shù)據(jù)集Book–Crossing和Last.FM上，選擇較小的聚合層數(shù)也能取得優(yōu)秀的效果，而在交互最稀疏的MovieLens–1M數(shù)據(jù)集中需要更深層次的聚合。

圖4 局部視圖聚合深度的影響Fig.4 Effect of local view aggregation depth

和全局視圖相比，只含有用戶–物品交互信息的局部視圖中的信息更為重要，因此，對其進(jìn)行更深層次的聚合能夠取得更好的效果。但是，當(dāng)聚合層數(shù)過多時，冗余信息會疊加，抵消有效信息的增益，導(dǎo)致效果下降。但是在稀疏數(shù)據(jù)集上，則獲取更多信息更重要。

3.5.2對比損失權(quán)重?的影響

在式（16）定義的總體損失中，權(quán)重參數(shù)?可以平衡BPR損失和對比損失的影響。為了分析系數(shù)?的影響，在0.05～0.15的范圍內(nèi)容改變?，建立不同?下的模型，圖5為?是不同值時模型的AUC分?jǐn)?shù)。由圖5可知：一個合適的?可以有效地提高對比學(xué)習(xí)的表現(xiàn)。隨著?增大，BPR損失占比越來越大，當(dāng)?為0.1時，模型表現(xiàn)最佳。但是?繼續(xù)增大，效果不再能繼續(xù)提高，甚至有所下降。也就是說，當(dāng)?為0.1時，BPR損失和對比損失處于最佳的平衡狀態(tài)。

圖5 權(quán)重?的影響Fig.5 Effect of the weight?

3.6 節(jié)點聚類可視化

在全局視圖下進(jìn)行多層圖卷積時，節(jié)點的區(qū)分力下降，節(jié)點的表示向量更加趨同，這導(dǎo)致了以GCN為基礎(chǔ)的后續(xù)學(xué)習(xí)任務(wù)變得困難，即過平滑問題。為解決這一問題，本文采用了圖注意力網(wǎng)絡(luò)有選擇地聚合信息，并引入局部視圖強調(diào)1階鄰居信息。通過使用T–SNE對200個物品節(jié)點的嵌入進(jìn)行降維，并將其映射到2維空間中觀察。圖6為在KRSCCL及其去除局部視圖后的變體中，用戶節(jié)點在2維空間中的聚類效果。由圖6可知：用戶節(jié)點在圖6（a）呈現(xiàn)出較為分散的聚類效果，相較于在去除局部視圖后（圖6（b））更具差異性，這表明，KRSCCL成功地緩解了過平滑問題。

圖6 用戶節(jié)點聚類可視化Fig.6 User nodes clustering visualisation

4 結(jié) 論

本文提出了一個KRSCCL模型，該模型專注于對比學(xué)習(xí)任務(wù)中的關(guān)系感知推薦，通過自監(jiān)督的方式提高用戶和物品的表示學(xué)習(xí)質(zhì)量。同時，該模型結(jié)合關(guān)系注意力網(wǎng)絡(luò)，旨在解決在知識感知推薦中圖神經(jīng)網(wǎng)絡(luò)模型的鄰居節(jié)點聚合和細(xì)粒度信息發(fā)掘的問題。

因此，未來的研究將繼續(xù)探索推薦中的自監(jiān)督學(xué)習(xí)，以揭示數(shù)據(jù)實例之間的內(nèi)部關(guān)系，并著重處理好冷啟動問題。引入因果概念，如因果效應(yīng)推理和反事實推理到知識感知推薦中，來發(fā)現(xiàn)和放大偏差[43]。