摘要: 图卷积神经网络(graph convolutional neural network ,GCN)因其强大的建模能力引起了广泛关注,在商品推荐中,现有的图卷积协同过滤技术忽略了邻居节点在传播聚合过程中的重要性,使得用户和商品的嵌入向量表达不够合理。为了解决这一问题,本文提出一种融合图卷积注意力机制的协同过滤推荐模型。首先通过图嵌入技术将用户−项目的交互信息映射到低维稠密的向量空间;其次通过堆叠多层的图卷积网络学习用户与项目间的高阶交互信息;同时融合注意力机制为邻居节点自适应地分配权重,不仅可以捕获更具代表性的邻居影响,还使得在聚合邻居节点的特征信息时,仅依赖于节点之间的特征表达,使其独立于图结构,提高了模型的泛化能力;最后设计了分层聚合函数,将图卷积层学习到的多个嵌入向量加权聚合,使用内积函数得到用户−项目之间的关联分数。在3个真实数据上进行的泛化实验,实验结果验证了该方法的有效性。
- 关键词:
- 图嵌入技术 /
- 图卷积神经网络 /
- 注意力机制 /
- 协同过滤 /
- 用户偏好 /
- 协同过滤 /
- 高阶交互 /
- 邻域聚合
大数据时代下,为了缓解信息过载问题,推荐系统被广泛应用于个性化信息过滤。协同过滤(collaborative filtering, CF)是应用最广泛的推荐算法,核心思想是从兴趣相似的用户中预测用户偏好。早期的协同过滤推荐模型[1-2]直接使用用户和项目ID作为嵌入向量,嵌入函数缺乏对用户与项目间交互信息的明确编码,导致所学习的嵌入表达具有局限性,不足以产生令人满意的CF嵌入。随后