一种基于双阶段图优化的推荐系统噪声修剪与长尾增强方法

本发明公开了一种基于双阶段图优化的推荐系统噪声修剪与长尾增强方法。针对隐式反馈推荐系统中噪声交互和长尾用户数据稀疏性问题，本发明首先构建用户‑物品交互二部图，并初始化图卷积网络模型生成初步嵌入表示。在第一阶段，通过节点相似性指标(Nsim)评估交互边的可靠性，结合动态阈值策略修剪噪声边，生成去噪子图以提升嵌入质量。在第二阶段，针对长尾用户，采用概率采样机制添加高置信度潜在交互边，生成增强子图以改善长尾推荐效果。最终，通过迭代训练优化贝叶斯个性化排序(BPR)损失，生成精准的个性化推荐结果。本发明显著提升了推荐系统的准确性和公平性，适用于电子商务、社交媒体及内容推荐等应用场景。