摘要
随着电子商务和社交媒体平台的迅速发展，信息过载问题已成为人们获取感兴趣内容的一大阻碍。推荐系统作为信息过滤的有效工具，能够通过挖掘用户的潜在兴趣，大大减少用户筛选所需信息的时间，并提升企业服务质量。然而，现有推荐算法研究仍存在一些关键问题：一是传统推荐算法通常直接使用用户的历史交互数据，忽略了在实际场景中构成的错综复杂的图结构关系以及用户决策背后的多种动机，限制了推荐算法的性能和精度；二是基于图神经网络的推荐模型尚未充分挖掘用户项目交互中的细粒度信息，更有效地利用图结构数据也是其面临的持续挑战；三是基于深度模型的推荐系统始终面临的标签稀缺和长尾效应等问题，使模型难以提高对用户项目表征的质量，推荐应用面临数据瓶颈。 针对当前研究的局限性和不足，本文分层次提出了基于图神经网络的自监督推荐模型，旨在更有效地利用图结构信息建模影响用户决策的细粒度因素，并缓解模型数据稀疏等问题。本文的主要工作如下： （1）阐述了个性化推荐系统的研究背景和意义，针对该主题介绍了国内外基于图神经网络的协同过滤推荐方法和基于自监督学习的推荐方法的研究进展。 （2）提出了一种基于图神经网络的协同过滤推荐模型MI-CF。为充分利用用户-项目交互构建的图结构信息，该方法结合图神经网络、注意力机制等技术优势，显式建模了影响用户决策的多属性和隐式关系因素，并在多个公开数据集上对方法效果给予充分验证。 （3）针对深度推荐模型中普遍存在的数据稀疏等问题，本文在MI-CF算法基础上，结合自监督学习技术，提出一种基于对比学习的自监督推荐模型 MIS-CF。该模型通过有效的辅助任务实现数据增强，从而获取更高质量节点表征。通过多个公开数据集上的实验，展示并验证了该模型的多方面优势。 （4）设计并实现了一个基于MIS-CF的推荐原型系统。该系统融合了本文提出的基于图神经网络的自监督推荐方法，实现了用户管理、推荐等功能。
NETL