针对现有的图卷积网络推荐模型存在的模型收敛效率低、过度平滑、高度节点影响表示学习导致长尾项目推荐效果差等问题，提出基于对比学习的简化图卷积网络推荐算法（SGCN-CL）。算法采用自监督学习方法为用户项目节点生成多视图进行对比学习，以提高模型推荐精度同时提高模型效率，有效改善对长尾项目的推荐；每个视图都对不同的输入进行相同特征提取任务，提出改进消息传播模式的网络SGCN进行相特征提取，以提升模型效率，改善过渡平滑；最后进行多个任务联合优化得到推荐结果。在Amazon-Book、Yelp2018、Gowalla三个公开数据集上进行算法评估，结果表明推荐召回率在三个数据集上分别提升了15.4%、4.3%、1.4%，归一化折损累计增益(NDCG)分别提升了17.8%、4.1%、1.6%，且模型运行效率提升了55%以上。引入对比学习方法后，在对非热门的长尾项目的推荐效果上，也有所提升。

引言
1?相关工作
1.1基于图卷积神经网络的推荐方法
1.2对比学习
2 改进的图卷积网络对比学习模型
2.1改进的图卷积网络
2.1.1 LightGCN的局限性
2.1.2 SGCN网络结构
2.1.3损失函数优化
2.2数据增强方法
2.3对比学习
2.4目标函数
3 实验
3.1实验设置
3.1.1 数据集
3.1.2 对比算法及参数设置
3.1.3 评估方法
3.2性能比较
3.3效率比较
3.4模型参数分析
3.4.1超参数γ的影响
3.4.2超参数■的影响
3.4.3温度系数τ的影响
3.5长尾推荐效果
4?结 语

于雨晨,吴斯琦,赵清华,吴旭红,王雷.基于对比学习的简化图卷积网络推荐算法[J/OL].太原理工大学学报:1-10[2023-06-18].http://kns.cnki.net/kcms/detail/14.1220.N.20230615.1025.002.html