计算机科学与探索

作者：檀彦超, 周子皓, 马国芳, 王石平, 黄维, 阳及, 李天瑞

单位：1. 福州大学 计算机与大数据学院，福州 3501082. 浙江工商大学 计算机科学与技术学院，杭州 3100183. 埃默里大学 计算机科学系，美国 亚特兰大 215204. 西南交通大学 计算机与人工智能学院，成都 610097

关键词：推荐系统,困难样本,分布感知,鲁棒推荐,最优传输

基金：国家自然科学基金（62302098）；浙江省自然科学基金（LQ23F020007）；浙江省农业农村厅项目（2024SNJF044）；福建省自然科学基金面上项目（2025J01540）。

随着个性化推荐系统在各类平台上的广泛应用，如何精确理解并建模复杂的用户行为和海量物品信息成为关键挑战。传统推荐系统经常忽视由好奇心或误操作产生的困难样本，这些未经处理的困难样本如果处理不当，则可能会导致模型偏差和性能降低。此外，传统推荐系统往往仅考虑单一用户-物品交互，未能从分布的角度捕捉高阶关联。针对上述问题，提出了一种基于分布感知优化的高鲁棒推荐方法（DORRec），旨在无监督条件下匹配全局用户分布与物品分布，同时甄别困难样本并建模分布匹配，以实现高鲁棒性推荐。在基于分布的困难样本识别模块，通过利用放宽Sinkhorn距离下的正则化约束，计算复杂的用户-物品间匹配分数的闭式解，从而找到每个用户的困难样本；在基于自适应阈值的高鲁棒推荐模块，提出了一种个性化阈值机制，通过自适应调整交互权重以强化困难样本的训练，满足高鲁棒推荐需求。在四个公共数据集上的实验验证了该方法的有效性，显示出DORRec在准确性和鲁棒性上的提升，通过与多个最先进推荐算法和高鲁棒组件在多个评价指标上进行比较分析，验证了DORRec在推荐性能上的显著优越性。

来源：2025年第10期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第10期