1研究与探讨1网络首发：2023-04-07基于多视图对比学习的多行为推荐魏静，李剑*（北京邮电大学人工智能学院，北京100876）【摘要】为了有效挖掘用户行为图中的语义信息和结构信息，充分利用节点间复杂的依赖关系，提出了一种基于多视图对比学习的多行为推荐方法（MVCL）。MVCL通过构建元路径视图和结构视图，来分别建模节点间的高阶语义信息和局部结构信息；此外引入自监督技术，提出跨视图对比学习机制，使得两个视图能够相互协作。在真实数据集上与多个基线模型相比，MVCL的归一化折损累计增益最高有24.7%的提升。实验结果表明MVCL的效果优于其他模型，能够学习到更有效的节点表示。【关键词】推荐系统；图注意力网络；对比学习；元路径doi:10.3969/j.issn.1006-1010.20221117-0001中图分类号：TP399文献标志码：A文章编号：1006-1010(2024)03-0152-05引用格式：魏静,李剑.基于多视图对比学习的多行为推荐[].移动通信,2024,48(3)：152-156.WEIJing,LIJian.Multi-behaviorRecommendationBasedonMulti-viewContrastiveLearning[J].MobileCommunications,2024,48(3):152-156.Multi-behaviorRecommendationBasedonMulti-viewContrastiveLearning(SchoolofArtificialIntelligence,BeijingUniversityofPostsandTelecommunications,Bejing100876,China)[Abstract]Inordertoeffectivelyextractsemanticandstructuralinformationfromuserbehaviorgraphsandfullyutilizethecomplexdependenciesbetweennodes,weproposeamulti-behaviorrecommendationmethod(MVCL)basedonmulti-viewcontrastivelearning.MVCLconstructsameta-pathviewandstructureviewtomodelhigh-ordersemanticinformationandlocalstructuralinformationbetweennodesrespectively.Inaddition,weuseself-supervisedtechniquesandproposeacross-viewcontrastivelearningmechanism,whichenablesthetwoviewstocollaboratewitheachother.Comparedwithmultiplebaselinemodelsonreal-worlddatasets,MVCLachievesthehighestnormalizeddiscountedcumulativegainimprovementof24.7%.ExperimentalresultsdemonstratethatMVCLoutperformsothermodelsandcanlearnmoreeffectivenoderepresentations.[Keywords]OSID:WEIJing,LIJianrecommendationsystem;graphattentionnetwork;contrastivelearning;meta-path扫描二维码与作者交流0引言多行为推荐的方法可以协同考虑用多种交互行为中隐藏的信息，这已在实践中...
