计算机研究与发展

作者：严明时,陈慧临,程志勇,韩亚洪,

关键词：分层图卷积, 协同过滤, 多行为推荐, 图卷积网络, 多任务学习,

基于协同过滤（collaborativefiltering，CF）的单行为推荐系统在实际应用中经常面临严重的数据稀疏性问题，从而导致性能不理想.多行为推荐（multi-behaviorrecommendation，MBR）旨在利用辅助行为数据来帮助学习用户偏好，以缓解数据稀疏性问题并提高推荐精度.MBR的核心在于如何从辅助行为中学习用户偏好（表示为向量表征），并将这些信息用于目标行为推荐.介绍了一种旨在利用多行为数据的新型推荐方法MB-HGCN（hierarchicalgraphconvolutionalnetworkformulti-behaviorrecommendation）.该方法通过从全局层面的粗粒度（即全局向量表征）到局部层面的细粒度（即行为特定向量表征）来学习用户和物品的向量表征.全局向量表征是从所有行为交互构建的统一同构图中学习得到的，并作为每个行为图中行为特定向量表征学习的初始化向量表征.此外，MB-HGCN还强调了用户和物品在行为特定表征上的差异，并设计了2种简单但有效的策略来分别聚合用户和物品的行为特定表征.最后，采用多任务学习进行优化.在3个真实数据集上的实验结果表明，所提方法显著优于基准方法，尤其是在Tmall数据集上，MB-HGCN在HR@10和NDCG@10指标上分别实现了73.93个百分点和74.21个百分点的性能提升.

来源：2025年第11期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第11期