基于图卷积神经网络的推荐算法研究与应用.pdf

摘要

随着互联网高速发展，互联网承载的信息量呈指数增长，出现信息过载问

题。推荐算法作为解决信息过载的一种信息过滤技术，能够主动向用户提供有

效信息，将用户从海量信息中解放出来。推荐系统性能主要受到数据稀疏和冷

启动两大问题制约。随着深度学习技术的发展，许多研究者将深度学习方法成

功应用到推荐领域。相比于传统的推荐算法，基于深度学习的推荐算法具备更

好的推荐效果，但数据稀疏问题和冷启动问题依旧存在。

GCN

近年来，基于图卷积神经网络（）的推荐算法逐渐成为推荐算法领域

研究的热门方向。PinSAGE是一种高度可扩展的GCN推荐模型，它首次将图

卷积神经网络应用于实际的工业级推荐系统。与传统基于图卷积神经网络的推

荐算法不同，PinSAGE并不是在全图上进行图卷积运算，而是为各个节点构建

基于重要性采样的子图，在子图上进行图卷积。因此PinSAGE能够更快更好地

完成大规模数据场景下的模型训练，较好地解决GCN应用于推荐系统时由于图

数据规模太大带来的困难，同时能够较好应对工业中图数据动态变化的场景。

PinSAGE1PinSAGE-

但存在以下不足：）使用基于用户物品交互历史构建

2

的二部图作为模型输入，并未考虑输入数据稀疏对推荐效果造成的影响；）

PinSAGE通过随机游走采样构建子图并产生邻居节点的权重，该权重在有限次

游走条件下难以反映出邻居节点的重要程度。因此本文针对PinSAGE模型存在

的以上问题进行了研究和改进，主要工作如下：

1.为缓解输入数据的稀疏问题，本文提出了结合用户评分相似度进行信息

ReSAGE-

补全的图卷积推荐模型。信息补全过程借助相似用户扩充用户项目交

互图，使原本遥远且难以聚集的潜在相关节点连接起来，从而无需通过卷积层

多次堆叠来聚合具有潜在价值的高阶邻居，同时避免因卷积层多次堆叠导致过

平滑问题。实验表明，相较于各基线模型，ReSAGE在各指标上均有明显提升，

证明了信息补全的有效性。

2.为进一步缓解输入数据稀疏问题，同时提升PinSAGE消息聚合时使用的

邻居节点权重的代表性，本文在ReSAGE的基础上，提出了改进模型ISAGE。

在信息补全过程中，ISAGE使用一个多元兴趣提取模块来计算用户兴趣相似度。

该模块基于多头自注意力机制，使用基于物品特征构建的用户行为序列来提取

用户多元兴趣，通过计算用户兴趣相似度进行信息补全，降低了计算用户相似

度时对用户评分的依赖，从而进一步降低数据稀疏带来的影响。同时，使用多

头自注意力机制对PinSAGE模型的消息聚合模块进行改进，通过自注意力机制

I

产生的权重来聚合邻居节点，能够有效提升消息聚合过程中邻居权重的代表性。

实验表明，ISAGE在ReSAGE的基础上进一步提高了推荐效果。

3.基于ISAGE设计并实现了电影推荐系统，该系统能够定期按照用户的交

互历史，基于ISAGE算法为每位用户提供必威体育精装版的电影推荐列表，有效提高了用

户体验和满意度，同时具备完整的用户信息、电影信息管理功能。

本文基于PinSAGE进行了研究和改进。本文的基本思想是通过信息补全完

善模型输入，缓解输入数据稀疏对推荐算法带来的影响；同时借助自注意力机

制改进了信息补全过程中用户相似度的计算方式和PinSAGE的消息聚合模块，

进一步提升了推荐效果。

关键词：推荐算法；信息补全；用户多元兴趣；图卷积神经网络；自注意力机

制

II

Abstract

AstheInternetimprovesb