软件学报

作者：王丹丹，刘海洋，刘壮，原继东

单位：王丹丹，北京交通大学 计算机与信息技术学院, 北京 10004411,刘海洋，北京交通大学 计算机与信息技术学院, 北京 10004402,刘壮，北京航空航天大学 计算机学院, 北京 10019103,原继东，北京交通大学 计算机与信息技术学院, 北京 10004404

关键词：自监督学习;推荐系统;多视角

基金：中央高校基本科研业务费专项资金(2023JBZY035)

自监督学习可以从原始数据中挖掘自监督信号, 在提高推荐性能方面蕴含着巨大的潜力. 然而, 目前基于自监督学习的推荐方法存在两个关键的挑战. 首先, 大多数自监督推荐模型采用对同一节点随机扰动的方式, 将生成的不同结果作为自监督信号, 然而, 由于推荐系统中存在着广泛的同质性, 这种方式会忽略邻居节点信息, 影响推荐性能. 其次, 用户-物品之间的历史交互信息以及用户与用户之间的社交关系信息是目前基于自监督学习推荐模型关注的焦点, 而忽略了物品之间的内在联系, 同样会导致产生的自监督信号不够充分. 基于这些挑战, 提出一种基于多视角的自监督推荐方法, 分别从偏好视角、用户视角、物品视角考虑, 进而使用多视图共同训练的自监督学习方法, 结合用户之间的社交关系、物品之间的类别关系、用户-物品之间的历史交互信息, 充分挖掘自监督信号. 在3个真实的公开数据集上进行实验, 实验结果验证了基于多视角的自监督学习方法在改进推荐性能方面是有效的.

来源：2026年第2期

《软件学报》期刊编辑部

查看软件学报杂志2026年第2期