基于MixRec的混合推荐框架

基于MixRec的混合推荐框架

王强志^1※，陶 槊²

（1.合肥科技职业学院 信息工程系，安徽 合肥 234100；

2.合肥科技职业学院 网络中心，安徽 合肥 234100）

摘 要：推荐系统在实际应用中往往面临交互数据极度稀疏的挑战：用户数量和物品规模持续扩大，但单一平台难以长期、全面地收集足够的交互记录，导致用户-物品矩阵高度稀疏.这不仅削弱了传统协同过滤方法的建模能力，也限制了神经网络表示学习的效果.针对此问题，文章提出基于双重混合的数据增强推荐框架 MixRec.在统一的图卷积编码器下，设计了两种互补策略：个体混合与集体混合.前者通过线性插值为单个用户或物品生成新的正样本；后者在小批量内构建包含群体特征的困难负样本，并结合双重混合对比学习提升表示的对齐性与均匀性.在Douban-Book、Yelp、Amazon-Book和Tmall 四个公开数据集上进行了验证实验.结果表明，MixRec在Top-N推荐任务中显著优于现有方法：在Amazon-Book上，Recall@20和NDCG@20分别提升了约8%和8.6%；在Tmall上，两项指标分别提升了约3%和3.3%；在Yelp与DoubanBook上亦有2%-4%的提升.同时，在Tmall与Amazon-Book数据集上的单次训练时间为 32.6-61.4 s，整体训练时长较主流自监督方法降低了30%以上.综上，MixRec能在保持较高计算效率的同时，有效缓解极度稀疏场景下的推荐性能下降，可为大规模真实应用中的个性化推荐提供一种可扩展且高效的解决方案.

关键词：推荐系统；自监督学习；双重混合；数据增强