多尺度邻居协同融合的推荐技术研究与应用.pdf

中文摘要

近年来，“信息过载”已经成为互联网大数据所面临的主要问题之一。为了解决

“信息过载”问题，推荐系统从海量数据中为用户挖掘感兴趣的信息，实现个性化的推

荐服务。传统的协同过滤推荐主要利用用户与项目的交互信息或属性信息进行推荐。

在交互数据稀疏的情境下，推荐的精度较低。推荐的结果难以让用户满意。在协同过

滤中，不同类型的相似邻居可以为目标用户提供丰富的协同语义兴趣，有助于提升推

荐系统的性能。已有方法忽略了用户的多尺度属性邻居和多尺度交互邻居在用户语

义兴趣表示建模中的作用。本文提出多尺度属性邻居注意力感知的评分预测推荐方

法，以及融合多尺度属性邻居和交互邻居注意力的评分预测推荐方法，并通过实验验

证方法的有效性。主要研究内容如下：

（1）提出多尺度属性邻居注意力感知的评分预测推荐方法。首先，根据用户属

性值的相似性构建不同尺度的用户属性邻居视图，并通过图神经网络表示学习建模

不同属性邻居视图上的用户节点嵌入表示。接着，利用注意力机制学习不同属性邻居

视图上的节点属性语义的重要性，实现了节点的多尺度属性邻居视图属性语义表示

融合。最后对用户和项目的语义表示进行内积操作，完成评分预测。在Movielens-

100kr、BookCrossing-10Core和Douban数据集上的实验结果表明，不同尺度的属性

邻居协同信息可以增强节点语义表示的能力，提升推荐系统的准确性。

（2）提出融合多尺度属性邻居和交互邻居注意力的评分预测推荐方法。首先，

在用户项目交互矩阵基础上，基于用户的评分行为偏好，构建不同尺度的交互邻居视

图。进而，通过图神经网络建模用户和项目在属性视图下的节点嵌入表示和交互视图

下的节点嵌入表示。然后，通过注意力机制对节点的两种表示进行融合，并进行评分

预测。最后，通过实验验证了模型的有效性。实验结果表明融合多尺度属性邻居和交

互邻居可以提升推荐系统的性能，并能够缓解用户项目交互矩阵稀疏情境下推荐结

果较差的问题。

（3）设计并实现多尺度邻居协同的旅游景点推荐系统。该系统利用用户和景点

的属性信息以及用户对景点的交互信息，在不同尺度的邻居视图上获取邻居信息，对

用户和景点进行建模表示，为用户提供个性化景点推荐等功能。

关键词：多尺度邻居；图神经网络；协同过滤；推荐系统

I

目录

中文摘要I

ABSTRACTII

1绪论1

1.1研究背景及意义1

1.2国内外相关研究现状1

1.2.1传统推荐方法2

1.2.2深度学习的推荐方法2

1.2.3图神经网络的推荐方法3

1.3主要研究内容4

1.4本文组织结构5

2多尺度属性邻居注意力感知的评分预测推荐7

2.1相关理论7

2.1.1图神经网络7

2.1.2注意力机制8

2.2模型框架8

2.3多尺度属性邻居注意力感知的神经网络模型9

2.3.1属性邻居视图构建9

2.3.2基于属性邻居视图的用户和项目嵌入表示10

2.3.3属性邻居注意力感知的用户和项目嵌入表示学习11

2.3.4模型预测和优化12

2.4实验与分析12

2.4.1实验数据12

2.4.2对比方法13

2.4.3实验设置13

2.4.4实验结果分析14

2.4.5维度敏感性分析15

2.4.6可视化分析16

2.5本章小结20

3融合多尺度属性邻居和交互邻居注意力的评分预测推荐21

3.1模型框架21

3.2融合多尺度属性邻居和交互