计算机应用研究

作者：汤家谱,李曼,曹文明,杨明明,蒋明阳,

单位：重庆交通大学数学与统计学院,重庆400074；

关键词：推荐系统,对比学习,数据增强,门控机制,

基金：国家自然科学基金资助项目(62306052,12401678)；重庆市教育委员会科学技术研究项目(KJQN202300735,KJQN202400716)；；

近年来，基于图神经网络的推荐系统取得显著进展。然而，现有的自监督对比学习方法主要通过随机删除边构建增强视图，难以区分边的重要性，限制模型性能。为解决上述问题，提出一个基于图扩散的增强对比学习框架（GDACL），用于提升推荐系统在数据稀疏和噪声环境下的表现。该方法通过图扩散机制保留边权信息，并结合多层图卷积嵌入拼接、随机特征掩码和对比学习增强特征多样性与鲁棒性；同时引入门控机制自适应融合原图与扩散图的特征表示。实验表明，GDACL在多个真实数据集上推荐准确率高于现有主流方法，具备更强的鲁棒性和泛化能力。消融实验进一步验证了门控控制机制、随机特征掩码以及原始图与扩散图之间的对比学习对性能提升的贡献。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期