论文部分内容阅读
基于图的推荐算法能深入刻画推荐系统中的各类交互信息，其中，图卷积网络类方法因具有强大的特征表征能力而得到了越来越多的关注。推荐系统中普遍存在着异质和同质两类交互信息，已有的图卷积类推荐算法无法做到对两类交互信息的统一利用。此外，在显式评分的推荐系统中评分以边权的形式出现，而现有图卷积网络框架下的推荐系统无法对评分边权加以利用。
针对现有图卷积网络类推荐系统中存在的问题，本文研究了如何针对推荐系统的特点设计合理的图卷积网络结构，提出了同时利用同质和异质交互信息的图卷积推荐算法，面向以离散评分为边权的交互图的图卷积推荐算法，主要的研究工作如下：
(1) 推荐系统中存在两种类型的交互，一类是用户与条目间的交互，称为异质交互，刻画了用户对条目的评分模式；一类是用户间的交互和条目间的交互，称为同质交互，刻画了用户间或条目间的相似关系。为合理利用推荐系统的此性质，提出了一种图卷积网络推荐算法GCN4RS(Graph Convolutional Network for Recommender Systems)，用于统一利用两类交互信息，通过信息的互惠互利提升推荐系统性能。其中异质顶点卷积用于挖掘交互图谱域中存在的连接信息，同质顶点卷积用于使相似顶点具有相近表示。算法基于神经网络，用两个模块分别提取异质和同质交互信息，并端到端地完成整个网络的学习。
(2) 在使用图对推荐系统进行刻画时，顶点代表用户和条目等实体，边（链接）代表实体间的交互，而评分则以边权的形式存在。已有的图卷积类推荐算法关注的重点均在于顶点和边（链接），而未能针对边权形式的评分信息进行充分挖掘。为解决此问题，提出了一种图卷积类推荐算法 MP-GCN4RS(Meta-Path Based Graph Convolutional Network for Recommender Systems)，借助元路径对评分边权进行合理的表征，从而充分挖掘边权中蕴含的评分信息。
在真实世界的推荐系统数据集上进行的实验表明，两种算法均能针对推荐系统中不同的结构信息设计合理的图卷积网络进行提取，从而取得良好的推荐效果。
针对现有图卷积网络类推荐系统中存在的问题，本文研究了如何针对推荐系统的特点设计合理的图卷积网络结构，提出了同时利用同质和异质交互信息的图卷积推荐算法，面向以离散评分为边权的交互图的图卷积推荐算法，主要的研究工作如下：
(1) 推荐系统中存在两种类型的交互，一类是用户与条目间的交互，称为异质交互，刻画了用户对条目的评分模式；一类是用户间的交互和条目间的交互，称为同质交互，刻画了用户间或条目间的相似关系。为合理利用推荐系统的此性质，提出了一种图卷积网络推荐算法GCN4RS(Graph Convolutional Network for Recommender Systems)，用于统一利用两类交互信息，通过信息的互惠互利提升推荐系统性能。其中异质顶点卷积用于挖掘交互图谱域中存在的连接信息，同质顶点卷积用于使相似顶点具有相近表示。算法基于神经网络，用两个模块分别提取异质和同质交互信息，并端到端地完成整个网络的学习。
(2) 在使用图对推荐系统进行刻画时，顶点代表用户和条目等实体，边（链接）代表实体间的交互，而评分则以边权的形式存在。已有的图卷积类推荐算法关注的重点均在于顶点和边（链接），而未能针对边权形式的评分信息进行充分挖掘。为解决此问题，提出了一种图卷积类推荐算法 MP-GCN4RS(Meta-Path Based Graph Convolutional Network for Recommender Systems)，借助元路径对评分边权进行合理的表征，从而充分挖掘边权中蕴含的评分信息。
在真实世界的推荐系统数据集上进行的实验表明，两种算法均能针对推荐系统中不同的结构信息设计合理的图卷积网络进行提取，从而取得良好的推荐效果。