摘要
现如今，个性化的推荐系统是建立在海量数据挖掘的基础上，根据用户的历史信息数据，如兴趣偏好和历史消费行为，向用户推荐他们感兴趣的信息和商品。因此，如何从用户的历史信息中学习用户的个性偏好已成为科研界的一个热门的研究任务。然而，随着越来越多的商品和服务进入市场，用户历史数据变得越来越复杂，推荐任务也面临着极大的挑战。传统的基于协同过滤的推荐方法已经不能满足当前推荐任务的需求。但是，随着图神经网络技术的发展，为推荐任务带来了新的机遇。现如今，基于图神经网络的推荐系统已广泛应用于社交媒体和电商平台等多个领域。它将用户历史信息构造成图网络结构，可以帮助系统更好地理解和分析用户的喜好和兴趣。基于此，本论文主要研究的是基于图神经网络的协同过滤推荐方法，共提出了三种不同的图推荐方法，分别是: (1）融合图增强和采样策略的图卷积协同过滤。针对现有基于图卷积网络的协同过滤模型存在的两个问题，大多数原始图因存在噪声及数据稀疏问题会严重损害模型性能;此外，对于大型用户项目图来说，传统GCN中的显式消息传递减慢了训练时的收敛速度，削弱了模型的训练效率。针对上述两点，提出了一种融合图增强和采样策略的图卷积协同过滤模型，即为EL-GCCF(Graph Convolution Collaborative Filtering model combining Graph Enhancement and Sampling Strategies)方法。首先，图初始化学习模块通过生成两种图结构，综合考虑了图中的结构和特征信息，对原始图进行了增强，有效缓解了噪声问题。其次，通过多任务的约束图卷积跳过了显式的消息传递，利用辅助采样策略有效缓解了训练中的过度平滑问题，提高了模型的训练效率。 (2）融合属性感知和图匹配的图神经协同过滤模型。用户和项目的属性交互可以分为内在属性交互和交叉属性交互，内在属性交互在于学习用户或者项目的内部特征，交叉属性交互则是学习用户和项目之间的交互特征。然而，以往的推荐模型并没有区分这两种交互，这可能会在学习交互信息时丢失许多有效数据。针对上述问题，本文提出了一种融合属性感知和图匹配的图神经协同过滤模型，即为GNAGM(Graph Neural Collaborative Filtering Model combining Attribute Awareness and Graph Matching）方法。该方法首先将用户和项目表示为图结构，然后使用神经网络学习图的嵌入表示。其次，使用图表示匹配算法来学习用户和物品之间的相似性，从而进行推荐。通过将神经网络和图表示匹配算法结合起来，该方法可以更好地捕捉用户和物品之间的复杂关系，并且在推荐性能方面具有更好的表现。 (3）融合双向深度感知和社交关系的图卷积协同过滤模型。现有的协同过滤模型还存在两个未被充分研究的问题:首先，对于用户兴趣，已有的方法仅对候选项目中的好友信息进行聚合，这些浅层的上下文信息聚合使得它们被有限的朋友信息所困扰。其次，对于项目的吸引力，如果项目的过往消费者为目标用户的好友，或者消费习惯相似的用户，那么这类项目可能更具吸引力。但是，当前大多数方法都忽略了这种深度上下文感知信息。针对上述问题，本文提出了一种融合双向深度感知和社交关系的图卷积协同过滤模型，即为BIDCA(Graph Convolutional Collaborative Filtering Model Combining Bi-directional Deep Context Awareness and Social Relationships）方法。首先，通过协同相似性关系构建两种图结构。其次，使用感知图神经网络对协同相似性图和社交网络图上的协同和社交关系进行建模，捕获图网络结构中的高阶关系，并在此基础上使用双向深度信息感知来捕获社交信息和项目的吸引力。
NETL