对比性社交推荐：利用社区结构实现更精准的个性化推荐

《Expert Systems with Applications》：Contrastive Social Recommendation: Harnessing Community Structures for Enhanced Personalization

个性化推荐系统因用户-项目交互稀疏性导致性能下降，现有方法过度依赖个体全局行为而忽视社区结构的高阶信息。本文提出社区引导对比学习推荐框架CGCLR，通过社区导向表示增强机制平衡活跃用户与低活跃用户影响，并采用群组感知贝叶斯个性化排名优化策略。实验表明CGCLR在多个数据集上显著优于基线模型，尤其在严重稀疏场景下效果突出。

　　

李亚芳|李晨达|祖宝凯|贾彩燕|王宏源

机构：北京工业大学计算机科学学院，地点：北京，国家：中国

摘要

个性化推荐系统经常因为用户-物品交互的稀疏性而导致性能下降。图神经网络（GNNs）和对比学习方面的最新进展显著提升了推荐系统中的表示学习能力。然而，大多数现有方法主要关注个体层面的全局行为模式。这种做法未能充分减轻活跃用户的主导地位，同时也忽视了社交网络中嵌入的高阶结构信息。此外，这些方法常常忽略用户群体之间的关系和社区层面的特征，而这些特征可以为提高推荐准确性提供有价值的上下文线索。为了克服这些限制，我们提出了一种名为“社区引导的对比学习用于推荐”（Community-Guided Contrastive Learning for Recommendation，简称CGCLR）的新框架，该框架将社交网络中的社区结构明确纳入推荐过程。具体来说，我们设计了一种社区引导的表示增强机制，该机制同时建模个体偏好和社区层面的上下文约束。它动态地整合了在全局和社区层面上下文中学习到的个体偏好表示，从而减轻了活跃用户的主导地位，并提高了非活跃用户的表示质量。为了进一步平衡不同活跃度用户的影响，我们引入了一种基于群体的贝叶斯个性化排名（Group-aware Bayesian Personalized Ranking，简称GBPR）优化策略。在多个公共数据集上进行的广泛实验验证了CGCLR的一致性超越了现有最佳基线，证明了其在提高推荐准确性方面的有效性和鲁棒性。

引言

个性化推荐系统在在线零售、旅游和媒体服务等多种应用中发挥着关键作用（Abbasi-Moud, Vahdat-Nejad, & Sadri (2021); Shankar et al. (2024)）。协作过滤长期以来一直是推荐的主要范式，它通过从历史交互中推断用户偏好来进行推荐。随着图神经网络（GNNs）的快速发展（Zhou et al. (2022)），基于图的推荐模型已成为建模用户-物品依赖关系的强大工具。通过用户在物品交互图上的信息传播，基于GNN的方法能够捕捉高阶连接模式并学习表达性强的表示，从而显著提升推荐性能。尽管取得了成功，但这些方法严重依赖于交互数据，而交互数据的固有稀疏性和用户活动的不均衡性可能会严重限制模型的泛化能力。

此外，现实世界推荐系统中的用户-物品交互图本质上是动态的。用户行为和参与模式随时间演变，导致图拓扑和节点连接性的持续变化。最近的研究强调了从不同角度建模这种动态图的重要性。例如，DyG-Mamba (Li et al. (2024)) 将动态图建模视为一个基于连续状态空间模型的长序列学习问题，使得在不规则时间间隔内能够自适应地调整历史信息。其他工作通过社区不变的对比学习（如CI-GCL Tan, Li, Jiang, Zhang, & Okumura (2024)）研究动态社区的演化及其鲁棒性，或者通过矩阵分解（如DyG-MF Li et al. (2025a)）探索可扩展的动态图聚类。尽管这些方法在动态图表示学习方面取得了有希望的结果，但它们主要针对一般的动态图建模任务，并未专门针对推荐场景设计，在推荐场景中，由于用户活动不均衡导致的表示不平衡仍然是一个根本性挑战。

在社交推荐环境中，用户之间的社交关系（如友谊和社区成员身份）是共享兴趣的隐含指标（Anagnostopoulos, Kumar, & Mahdian (2008); Fan et al. (2019); Friedkin (1998); Li, Sun, Ling, & Peng (2023b)）。现有方法通常利用成对的社交连接来丰富用户表示，但它们常常忽视社交图中嵌入的高阶结构信息，特别是社区结构。在现实世界的社交网络中，用户基于共同兴趣或社交纽带自然形成社区，他们的行为受到这些社区内集体偏好的强烈影响（AlSajri & Aljanabi (2024); Ji et al. (2023); Li, Li, Jia, Zu, & Wang (2025b)）。社区的紧密性和一致性决定了其社区层面的影响力（Abdulrahman, Abbood, & Attea (2023)），这表明社区结构可以作为用户偏好建模的有价值约束。对于交互数据有限且容易受到活跃用户主导的稀疏用户来说，结合这些社区层面的约束尤其有益。

自监督学习（SSL），特别是对比学习（CL），已被广泛采用来通过从交互图中构建辅助监督信号来缓解数据稀疏性问题（Ju et al. (2024)）。然而，现有的基于CL的推荐模型（Cai (Huang); He, Sun, Lu, & Fang (2023)）存在一个关键限制：交互频繁的用户倾向于主导嵌入空间，限制了稀疏用户学习个性化偏好的能力。虽然一些工作将社交信息整合到对比学习中，但它们主要关注成对用户关系，未能利用社区层面的结构约束和相关社交语义。因此，活跃用户的主导地位过强以及集体社交影响的建模不足仍然是未解决的挑战。

为了弥合这些差距，我们提出了社区引导的对比学习用于推荐（CGCLR）这一新框架，该框架利用从社交图中提取的社区结构。所提出的方法在表示学习过程中减轻了活跃用户的主导地位，同时保留了他们的建模能力，并提高了稀疏用户的表示质量。具体来说，我们引入了一种社区引导的表示增强策略，该策略利用社区层面的约束来细化个体用户偏好嵌入，从而实现更平衡和信息丰富的用户表示。为了生成有效的对比视图，我们进一步采用了一种可学习的图生成机制，灵活地产生信息丰富的增强图。此外，我们采用了一种基于群体的贝叶斯个性化排名目标，在优化过程中平衡不同活跃度用户的影响。在多个真实世界数据集上的广泛实验表明，CGCLR在数据极度稀疏的情况下始终优于现有最佳基线。

本工作的主要贡献总结如下：

• 我们提出了一种新的社区引导的图对比学习框架，该框架明确将社区结构纳入推荐建模中。
• 我们设计了一种社区引导的表示增强策略，该策略同时捕获个体行为和社区层面的结构信号，有效减轻了活跃用户对稀疏用户的过度主导。
• 我们引入了一种基于群体的优化目标GBPR，以平衡不同活跃度用户之间的表示学习，并进行了广泛的实验来验证所提出方法的有效性和鲁棒性。

部分摘录

基于图神经网络的推荐

图神经网络（GNNs）已成为推荐任务的主流范式，因为它们能够对用户和物品之间的高阶交互进行建模，从而捕捉复杂的上下文依赖关系（Fan et al. (2019); Liu, Ounis, Macdonald, & Meng (2020); Wu et al. (2019)）。已经提出了多种基于GNN的模型来优化协作过滤的表示学习，这些模型具有不同的设计原则。

NGCF Wang, He, Wang, Feng, & Chua (2019) 是这一领域的开创性框架

预备知识

在推荐场景中，主要有两种类型的数据：用户-物品交互图（u-i interaction graph）和用户社交图（user social graph）。它们分别表示为

和 ，其中$E_R?U\times I$ 表示观察到的用户-物品交互对，而$E_S?U\times U$ 表示用户之间的社交连接。我们用 M 和 N 分别表示用户和物品的数量。设 l 为图神经网络中的层数。

方法论

本节介绍了所提出的CGCLR框架，该框架将社交社区线索整合到对比学习范式中，以提高表示质量。如图1所示，整个过程包括三个关键阶段。首先，我们使用自监督预训练网络在社交图上获取初始用户嵌入，以捕捉社区结构。然后，我们引入了一个带有变分图模型的对比学习框架来生成可学习的增强表示。

评估

在本节中，为了分析我们提出方法的每个组件的有效性和贡献，我们在五个数据集上进行了全面评估，检查了整体性能、不同稀疏度用户组的性能以及消融研究的结果，以验证每个组件的有效性。

结论

在这项工作中，我们提出了一种新的社交推荐方法，该方法将对比学习与社区信息增强相结合。上述实验结果证明了我们模型的优越性，并验证了将社区信息整合到对比学习中的有效性。特别是，消融研究证实了我们设计的GBPR机制的有效性，为所提出模型架构的合理性提供了实证支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。