摘要
随着消费者的生活方式越来越数字化，消费者面临的信息过载问题也越来越严重。推荐系统作为应对信息过载问题的主流有效手段，已经成为消费者寻找最佳产品或服务的重要途径。推荐系统中的数据通常具有图的数据结构，这种数据特性意味着推荐系统必须考虑对象之间复杂的图关系。随着深度学习的发展，将图神经网络运用在推荐系统上的研究越来越多，已经成为推荐系统领域的一个重要方向。现有的图神经网络推荐模型主要依赖于用户的历史行为和评分等显式反馈信息，而忽略了用户的隐式反馈信息如评论文本。因此，本文结合评论文本，以图神经网络为主题对推荐模型进行了如下研究： （1）针对目前基于图神经网络的推荐系统交互数据通常缺乏语义信息，且大多数推荐系统只是将不同的数据特征进行简单拼接，导致交互不充分从而推荐性能较低的问题，提出了一种融合评论文本和节点特征的图神经网络推荐模型（RTN-GNNR），RTN-GNNR由四个模块组成。评论文本特征提取模块提出BERT和注意力机制结合的Bi-GRU文本分析方法，使模型能聚焦于更有效的评论。节点特征提取模块提出图神经网络结合注意力机制的交互节点提取方法，使模型具有更好的多源特征提取能力。特征融合模块采用因子分解机和多层感知机相结合的方法，实现不同特征源之间的交互学习。预测模块将融合后的高阶特征进行内积，达到推荐的效果。通过在亚马逊的五个数据集上的实验和分析表明，RTN-GNNR在RMSE和MSE上提升了1.97%到12.53%，且在较高稀疏度的数据上提升得更明显。 （2）针对目前基于图神经网络的推荐系统通常只考虑长期偏好未考虑短期偏好，导致推荐效果不佳的问题，提出了一种基于长短期偏好融合的图神经网络推荐模型（LSGNN），LSGNN由四个模块组成。用户长期偏好和物品节点特征提取模块提出图神经网络结合注意力机制的方法，提取全部交互图中的长期偏好和物品节点特征。短期偏好特征提取模块提出BERT和注意力机制结合的Bi-GRU方法，提取用户的短期偏好特征。物品文本特征提取模块提出结合注意力机制的卷积神经网络，为交互数据中添加物品的标题表示和描述表示。预测模块将长短期偏好特征以及物品的文本特征进行内积以达到推荐的效果。通过在亚马逊的五个公开数据集上的实验和分析表明，LSGNN在RMSE和MSE上提升了5.98%到17.64%，且有一定的可解释性。
NETL