💻 计算机科学

RIBGCL: Reliability-Guided Item-Bias-Aware Graph Contrastive Learning for Social Recommendation

该论文提出了 RIBGCL，一种用于社交推荐的图对比学习框架，通过共同采用用于置信度加权社交传播的兴趣一致性门控，以及一种有界的、基于相似度控制的物品表示修正，来缓解噪声社交关系和流行度偏差问题。

原作者： Yinqi Zhang, Peilin Yang, Xiaogang Wang, Ruixu Wu

发布于 2026-11-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Yinqi Zhang, Peilin Yang, Xiaogang Wang, Ruixu Wu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在在线购物和娱乐的广阔数字领域中，算法充当着隐形的策展人，决定向你展示哪些产品以及接下来为你播放哪些电影。几十年来，这些系统一直依赖于一种简单的逻辑：如果你喜欢一部电影，你可能也会喜欢其他相似的人所喜爱的电影。这种被称为协同过滤的方法在数据充足时表现良好，但在用户是新用户或其历史记录稀疏时，往往会遇到困难。为了解决这个问题，研究人员引入了社交推荐，这是一种通过观察你的朋友和联系人来猜测你可能喜欢什么的方法。其核心思想是，你的社交圈掌握着关于你品味的线索。然而，这种策略存在一个隐藏的缺陷。仅仅因为两人在平台上是好友，并不意味着他们拥有相同的兴趣；一个人可能热爱高科技产品，而他的朋友却痴迷于园艺。此外，热门物品往往会淹没小众物品，导致算法向所有人推荐同样的畅销品，而不顾及个人的独特品味。科学家面临的挑战是，如何构建一个既能倾听社交联系，又不会被其误导，并且能在层层热门趋势之下发现真实偏好的系统。

上海电力信息学院（Shanghai DianJi University）的一个研究团队开发了一种名为 RIBGCL 的新框架，旨在解决这些特定问题。他们的工作针对的是不可靠的社交联系和推荐数据中过度的流行噪声这两个问题。该系统并非将每条社交链接都视为共同品味的保证，而是扮演着一名谨慎编辑的角色，根据两人在喜好上的实际契合程度来权衡每一条联系。同时，系统能够识别出某个物品之所以被推荐，仅仅是因为它名气大，而非因为它符合用户的独特兴趣。通过结合这两项修正，研究人员创建了一个能够精炼对人和产品理解的模型，从而实现了更准确、更个性化的建议。

这种新方法的核心在于如何处理社交网络中混乱的现实情况。在现实世界中，平台上的“朋友”可能只是点头之交、商务联系人，或者是偶尔互动的熟人。如果推荐引擎盲目跟随每一条联系，就有可能将你的兴趣与那些与你毫无共同点的人混淆。研究人员引入了一种被称为“社交置信门”（social confidence gate）的机制。可以将它想象成一个过滤器，在允许两人的偏好进行融合之前，先检查两人之间的兼容性。如果两个朋友的品味迥异，系统就会降低该联系的权重，确保来自不匹配朋友的噪声信号不会扭曲用户的画像。至关重要的是，系统并不会完全切断这些联系，而是仅仅降低它们的影响力，从而在保护用户免受糟糕建议干扰的同时，保留了社交网络的结构。事实证明，这种方法比简单地删除弱连接更为有效，因为它允许模型保留可能仍有用的微妙信息线索。

在方程的另一端，研究人员解决了物品偏差的问题。在许多推荐系统中，热门物品往往能获得“免费通行证”。由于成千上上万的人购买或观看了某部大片，算法便假设它适合所有人，却往往忽略了特定用户可能更偏好冷门纪录片的这一事实。新模型使用了一种受反事实思维启发的技巧来进行纠正。它观察与特定物品互动的群体，并询问与该物品的“典型”互动是什么样的。如果一个物品的呈现形式被这种流行度严重扭曲，系统就会轻轻地将该物品的画像从大众化的群体中推开。这是通过一种“弱残差策略”（weak residual strategy）实现的，这意味着调整是微小且受控的，确保系统不会为了消除流行偏差而丢弃关于该物品的有益信息。其结果是一个更加平衡的产品视角，让小众物品能够在畅销品旁边脱颖而出。

为了测试他们的想法，研究人员将该框架应用于三个包含真实世界用户交互和社交信任链接的知名数据集。这些数据集（包括产品和电影的评论）因数据极其稀疏而出了名的难以处理；大多数用户仅对可用物品中的极小部分进行了评分。尽管面临这一挑战，新系统在所有三个数据集上的表现都优于几种成熟的方法。在一个包含消费产品社交信任链接的数据集中，新模型相比排名第二的方法，将其前十名推荐的准确度提升了近 7%。在另一个专注于电影评分的数据集中，它也展现出了持续但幅度较小的增益。研究人员发现，在社交连接最多且数据稀疏度最高的的数据集中，改进效果最为显著，这表明他们的方法在处理传统模型难以应对的复杂社交环境方面特别出色。

该研究还详细分析了系统的不同部分是如何对最终结果做出贡献的。当研究人员移除社交置信门时，系统的性能出现了下降，证实了盲目信任社交联系会引入噪声。同样，当他们移除反事实去偏差模块时，系统在区分热门物品与真正符合用户特定品味的物品方面的效率变得降低。实验表明，这两个组件协同工作效果最佳，它们像互补的过滤器一样，从不同的角度清理数据。研究人员还注意到，该系统保持了高效性，在训练过程中仅增加了极少量的计算时间，这对于实际应用来说是一个务实的优势。

虽然结果令人鼓舞，但作者谨慎地将他们的发现界定为迈出的重要一步，而非最终解决方案。他们承认，其方法依赖于观测数据，且“反事实”调整是基于数据模式的近似值，而非经过证实的因果干预。该系统表明，通过仔细权衡社交信任并纠正流行偏差，推荐引擎可以变得更加可靠和个性化。这项工作为未来可能整合更多类型数据（如视觉或文本信息）以进一步精炼机器对人类偏好理解的系统打开了大门。目前来看，这项研究清晰地证明了，在社交媒体和在线购物的嘈杂世界中，一点点怀疑精神和谨慎的调整可以带来更优质的推荐。

技术摘要：RIBGCL

问题陈述

社交推荐系统旨在通过利用用户社交关系（信任、友谊、关注）以及交互数据，来缓解数据稀疏性和冷启动问题。然而，现有的基于图的方法面临两个关键挑战，这些挑战降低了推荐的可靠性：

噪声社交关系（Noisy Social Ties）： 社交连接的存在并不保证兴趣一致。由于线下熟人、临时互动或礼节性关注，社交边往往包含噪声，导致无关偏好的传播。当前的方法通常在原始社交图谱上进行信息传播，而没有自适应地评估边的可靠性，导致用户表示偏离其真实兴趣。
物品流行度偏差（Item Popularity Bias）： 交互数据往往向热门物品倾斜，这些物品获得了更多的曝光和交互。在这些数据上训练的模型容易过度学习高频信号，将非个性化的流行度因素纳入物品表示中。这会导致推荐结果向热门物品倾斜，从而掩盖了用户的真实、小众兴趣。

方法论：RIBGCL

作者提出了 RIBGCL（可靠性引导的物品偏差感知图对比学习），这是一个构建在自适应图传播骨干网络（受 EGCL 启发）之上的框架，该框架集成了两个互补机制来解决上述问题。该框架无需随机结构增强，而是依赖于双重对比学习。

1. 社交置信度门控（解决噪声关系）

RIBGCL 没有采用硬过滤或删除社交边的做法，而是采用了一种软性的残差置信度门控机制：

机制： 它计算两个具有社交连接的用户在兴趣域表示之间的余弦相似度。
门控函数： 使用 Sigmoid 函数将此相似度转换为原始门控值。至关重要的是，应用了残差设计： $g_{uv} = 1 - \lambda_g + \lambda_g \cdot g_{raw}$ 。
效果： 这确保了即使是低置信度的边也保留了一个正权重（“残差底线”），在防止完全移除潜在有用的社交结构的同时，减弱了不一致邻居的影响。该机制保留了图结构，但动态地重新调整了消息传递的权重。

2. 反事实物品去偏差（解决流行度偏差）

为了在不破坏协同信号的情况下减轻流行度偏差，RIBGCL 引入了一种有界的、基于邻域引导的物品精炼：

反事实向量构建： 模型通过聚合与该物品有过交互的用户表示（按物品流行度归一化）来构建一个辅助物品向量。该向量作为潜在非个性化（偏差）成分的观测代理。
弱残差修正： 最终的去偏差后的物品嵌入是通过从原始嵌入中减去该向量计算得出的： $\tilde{e}_i = e_i - \alpha_i c^f_i$ 。
有界扰动： 修正系数 $\alpha_i$ 由 Sigmoid 函数和一个缩放因子 ( $\lambda_{scale}$ ) 控制。作者从理论上证明了该操作是**范数有界（norm-bounded）**的，确保了对物品嵌入的扰动不会超过特定限制 ( $\lambda_{scale}$ )。这防止了对本质协同过滤信息的移除。

3. 统一优化

模型使用一个统一的目标函数进行训练，该函数结合了：

自适应加权监督学习： 针对推荐和社交关系预测的非采样损失，并为正样本配备动态学习的权重。
无增强对比学习： 通过域内（兴趣域与社交域）和域间（兴趣域 vs 社交域）的对比损失来对齐表示，而无需随机图增强。
反事实正则化： 一个惩罚项，用于防止去偏差系数变得过大。

核心贡献

兴趣一致性感知传播： 引入了一种软性残差置信度门控机制，根据兴趣相似度为社交边分配有界权重。这为硬性边过滤提供了一种在数学上可验证的替代方案，在减少噪声的同时保留了图的连通性。
偏差感知物品精炼： 一种基于邻域引导的机制，对物品嵌入应用有界的弱残差修正。与不受限制的变换不同，该方法明确限制了扰动的大小，提供了一种抑制流行度偏差的保守方法。
统一框架： 将这两个控制机制集成到一个单一的图对比学习框架中，证明了它们在提升不同数据集排名性能方面的互补效应。

实验结果

作者在三个公开的社交推荐数据集上评估了 RIBGCL：Epinions、Ciao 和 FilmTrust。

性能： 在 Top-10 排名指标（精确率 Precision、召回率 Recall、MAP、NDCG）上，RIBGCL 在评估的基准模型（包括 BPRMF、LightGCN、NGCF、EATNN、EAGCN 和 EGCL）中达到了最先进的性能。
- 最显著的提升出现在 Ciao 数据集上（例如，相比 EGCL，Precision@10 提升了约 6.89%），该数据集的特点是高稀疏性和丰富的社交关系。
- 在 Epinions 和 FilmTrust 上也有持续的改进，尽管在较稠密的 FilmTrust 数据集上提升幅度较小。
消融实验： 移除社交门控模块或反事实去偏差模块都会导致性能下降，证实了这两个组件各自具有独特的且互补的贡献。
过滤对比： RIBGCL 优于仅移除低置信度边的变体（“Low-confidence Removed”），证明了动态重加权优于硬性过滤。
效率： 所提模块带来的额外计算开销极小，训练时间与基础 EGCL 模型相当。

重要性与主张

论文将 RIBGCL 定位为解决社交噪声和物品偏差耦合问题的鲁棒解决方案。作者强调了以下关于其工作意义的观点：

数学保证： 该框架提供了分析属性，特别是社交边的单调残差底线（确保没有任何边被完全丢弃）以及物品嵌入的范数有界扰动（确保稳定性）。
观测 vs 因果： 作者明确指出，其物品去偏差机制是基于观测交互的反事实启发式方法，而非识别出的因果效应。该方法假设交互用户邻域包含偏差相关的模式，并通过有界修正来减轻这些偏差，而非声称完全消除因果偏差。
对泛化性的适度声明： 作者提醒，报告的改进是针对所评估的协议和数据集的具体表现。他们指出，关于对注入噪声具有普遍鲁棒性或在更稠密数据集上微小差异的统计显著性的主张，需要进一步的对照测试。
互补性： 该研究强调，仅仅引入社交关系是不够的；社交关系的质量以及物品信号中的偏差必须通过受控的、有界的运算来进行显式管理。

总之，RIBGCL 提供了一种原则性的社交推荐方法，它通过数学上有界的运算，在利用社交信息与减轻噪声及偏差之间取得了平衡，从而确保了表示的稳定性。