摘 要 图卷积神经网络是一种针对图结构数据的深度学习模型,由于具
有强大的特征提取和表示学习能力,它也成为当前推荐系统研究的热
门方法.以推荐系统中的评分预测为研究对象,通过分析指出了现有的
基于图卷积神经网络的推荐模型存在 2 个方面的不足:图卷积层仅仅
利用了 1 阶协同信号和未考虑用户观点的差异.为此,提出一种端到端
的、基于增强图卷积神经网络的协同推荐模型.它采用一种增强的图卷
积层,不仅聚合了 2 阶协同信号而且融合用户观点的影响,从而更合
理地利用协同信号学习实体节点的嵌入表示,并通过堆叠多个图卷积
层对其进行精化;最后,采用了非线性的多层感知机实现评分预测.基
于 5 种推荐数据集上的实验结果表明:新模型的预测误差相比于几种
主流的推荐模型具有明显的降低.
关键词 协同推荐;图卷积神经网络;协同信号;用户观点;评分预测
协同过滤(collaborative ltering,CF)是推荐系统中的主要方法
之一
[1]
.根据是否采用了机器学习模型,它可以分为:基于内存的协同
过滤
[2-3]
和基于模型的协同过滤
[4-9]
.相比于前者存在的依赖于相似度函数、
内存占用度高、难以发现实体之间的非线性和隐含联系等不足,基于
模型的方法利用矩阵隐空间分解
[4-5]
、Markov 链
[6]
、深度神经网络
[7-8]
等
模型学习实体的嵌入表示,能够从实体交互操作及辅助信息中更有效
地捕获实体间的复杂联系,是目前研究最广泛的推荐方法.
近 几 年 , 图 卷 积 神 经 网 络 (graph convolutional neural
network,GCN)的研究逐渐兴起
[9-14]
,由于具有在图结构上学习嵌入表
评论0
最新资源