本技术提出了一种基于图生成扩散模型的硬负采样对比推荐方法,包括以下步骤:通过图卷积神经网络将用户‑物品交互图编码,得到节点嵌入向量,然后对节点嵌入向量进行内积,得到推荐概率;所述图卷积神经网络的模型参数通过以下训练得到:S1,将所述节点嵌入向量分别通过内联扩散模型视图生成器、参数拓扑降噪视图生成器生成对比视图1和对比视图2;所述内联扩散模型视图生成器包括内联扩散模型,所述参数拓扑降噪视图生成器包括参数拓扑降噪网络;S2,将对比视图1和对比视图2进行对比学习。本发明结合信号对齐策略,搭建了一个双视图生成器对比学习框架,旨在改善模型生成能力不足和数据噪声影响大的问题,从而提升推荐系统的性能。
背景技术
现有的推荐系统主要基于用户-物品历史交互图,通过图神经网络(GNN)对这些数据进行嵌入表示,并优化这些表示以提高推荐性能。随着在线服务的普及,推荐系统已成为解决信息过载问题的关键工具。通过分析用户的行为和需求,这些系统能够为用户提供个性化的产品和内容推荐。从协同过滤到图神经网络的演变,推荐系统的研究不断取得进展。例如,PinSage、GCMC、NGCF、LightGCN等模型,通过捕获用户-项目交互图的局部和全局信息,展示了优秀的个性化推荐效果。此外,为了减少对数据标签的依赖,自监督学习被引入推荐系统中,如SGL、SLRec等模型,它们利用数据本身的结构和模式来创建监督信号,从而提高了推荐系统的准确性和相关性。
尽管现有技术在推荐系统方面取得了显著成果,但仍面临一些挑战。首先,推荐方法的表示能力有限,难以全面捕捉用户和项目的复杂关系,这限制了推荐系统的性能。其次,数据噪声问题是推荐系统需要解决的关键问题之一。由于用户交互行为的随机性和数据收集的限制,推荐系统中存在大量的噪声数据,这可能导致推荐结果的不准确。同时,真实场景下的推荐系统饱受数据稀疏性的困扰,基于用户-物品历史交互图的这种表示机制不能确保利用高质量的数据精准预测用户数据。此外,推荐系统对高质量数据的依赖也是一个局限性。在真实场景中,高质量的数据往往难以获取,这进一步限制了推荐系统在实际应用中的效果。最后,训练过程中模型崩溃的问题也是当前推荐系统领域亟待解决的技术难题。特别是在自监督学习中,如何确定有效的对比视图生成策略以减少试错成本,并如何避免模型在训练过程中崩溃,是推荐系统研究中的重要问题。此外,单个视图生成器在自监督对比学习中也容易出现模型崩溃的风险,这进一步增加了技术挑战的复杂性。
实现思路