计算机应用

作者：颜文婧, 王瑞东, 左敏, 张青川

单位：1.北京工商大学 农产品质量安全追溯技术及应用国家工程研究中心，北京 100048；2.北京工商大学 计算机与人工智能学院，北京 100048；3.北京物资学院 物流学院，北京 101149

关键词：图卷积网络,异构图学习,压缩注意力机制,推荐系统,对比学习

基金：国家重点研发计划项目(2022YFF0606803);北京市属高校教师队伍建设支持计划高水平科研创新团队项目(BPHR20220104);北京学者项目(099);国家市场监督管理总局项目(2023MK169)

针对食谱推荐任务中信息维度不全面、交互数据稀疏和交互信息冗余的问题，提出一种基于风味嵌入异构图层次学习的食谱推荐模型（RecipeFlavor）。首先，引入风味分子维度，并基于用户、食物、食材和食材的风味物质构建异构图，有效表示4种节点之间的联系；其次，基于信息传递机制构建基于异构图的层级学习模块，并结合压缩注意力（SA）机制，将节点的不同关系视为不同的信息通道，提取节点之间的关键交互信息并抑制噪声；最后，基于特征感知噪声构建对比学习（CL）模块，在模型学习中引入正负样本区分任务，增强用户和食谱节点之间的信息关联，提升模型对特征的学习能力。实验结果表明，RecipeFlavor在Recipe 1M+大型数据集上，与HGAT（Hierarchical Graph ATtention network for recipe recommendation）模型相比，曲线下面积（AUC）提升了1.44个百分点，Top-10的模型精确度（Pre）、命中率（HR）、平均精度（MAP）和归一化折损累计增益（NDCG）分别提升了0.76、6.11、2.68和3.05个百分点。可见，风味分子信息的引入拓展了食谱推荐的学习维度，而RecipeFlavor能有效提取异构图中的关键信息，增强用户和食谱之间的关联性，从而提升食谱推荐的精度。

来源：2025年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第6期