论文部分内容阅读
随着互联网及信息技术的快速发展,越来越多的数据涌入互联网。庞大的信息量给人们带来便利的同时,也带来了困扰。面对海量信息,人们很难找到真正需要的信息,这就是处于信息时代人们所面临的信息过载问题。防止信息过载的关键是信息过滤,相比传统的信息过滤技术,推荐系统是目前最有效的信息过滤方法。它将用户和物品连接起来,利用用户-物品交互信息发掘用户的偏好,为用户提供个性化服务。推荐系统不仅可以帮助用户发现他们感兴趣的物品,而且能够帮助商户进行精准推广,提高收益。因此,对于推荐系统的研究是非常具有意义的。在实际应用中,用户与物品的数量非常庞大,而两者的交互信息却极其有限。因此,传统的推荐系统通常面临着数据稀疏和冷启动问题。为了缓解这些问题,社会化推荐系统利用社会同质性理论,认为社交网络中相邻的用户通常会具有相似的偏好。然而,现有社会化推荐模型仍然存在一些问题。从模型设计的角度,只考虑了社交网络中用户的一阶社会关系,或仅简单认为所有用户之间的影响力是等价的。从模型优化的角度,负采样的选取质量将直接影响模型的收敛速度与精度,数据集规模过大或引入额外参数也会增加算法复杂度。针对社会化推荐模型中存在的问题,本文主要有以下3个贡献点:(1)针对模型设计的问题,本文提出了一种融合图注意力机制的社会化推荐模型(Graph Attention Matrix Factorization,GAMF),该模型将社交网络看作节点为用户的图结构,利用图注意力机制自适应学习不同用户间的影响力,从而将社交网络与传统的矩阵分解模型相结合,有效缓解了数据稀疏和冷启动问题。(2)针对模型优化的问题,本文设计了一种基于全负样本的优化算法。该算法在模型训练过程中对矩阵分解和用户图网络两部分分别进行优化,整个过程不需要负采样。不仅提高了模型的收敛速度与精度,还降低了算法的复杂度。(3)本文在4个真实的数据集上的大量实验结果表明,本文提出的模型在两个指标(HR和NDCG)上均优于当前主流的推荐模型,从而验证了在社交网络中融入图注意力机制的有效性。