基于图神经网络的多兴趣推荐系统研究
随着人工智能的迅速发展，智能产品已经进入了家家户户，并逐渐渗透到了人们的工作学习、休息娱乐、社交互动、工业生产等各个领域。网络以其智能化、个性化的特征为人类提供了巨大的方便，人类交流沟通手段变得丰富多元。与此同时，随着互联网的信息数据呈喷涌式增加，导致人们的日常生活中充斥着形形色色的数据，使得人们所真正需要的、真正关心的东西湮没在数据的海洋里，由此带来巨大的信息超载现象。推荐技术超越早期的搜索引擎作为一种不可或缺的数据筛选手段，其极大地促进了电子商务等领域的发展。因此，如何提高推荐系统的性能已然成为当下的研究热点。 近年来，图神经网络在处理图结构数据方面展现了极大的优越性，并已广泛运用于推荐系统领域。通过图神经网络深度挖掘潜在信息有利于提高推荐的精确性，然而基于图神经网络的推荐系统仍然存在一些不足。传统的协同过滤推荐模型中由于目标节点缺少交互信息导致节点的最终表征不准确，即数据稀疏问题。同时，大多数模型仅考虑到不断获取深层次的信息，而忽略了信息的两面性，不加以区分地聚合高阶信息最终导致推荐结果出现偏差。为解决这些问题，本文提出了一种基于用户聚类的多兴趣推荐模型来执行推荐任务。另外，借助图神经网络技术实现的模型在层数增加的过程中会出现过平滑现象，这种现象在一定程度上限制了推荐系统的性能。并且传统的推荐模型过度专注于推荐的精准性而忽略了用户具有多兴趣性。本文进一步提出了一个基于邻域交互的多兴趣推荐模型。本文的研究内容和创新工作如下： （1）深入研究基于图神经网络的多兴趣推荐原理 本文首先对推荐系统的相关理论作出叙述，然后归纳了一些关于传统推荐算法研究所面临的挑战以及对现有的基于图神经网络的推荐模型进行了研究，并分析了其中的不足。基于此，本文提出了基于图神经网络的多兴趣推荐系统研究，并叙述了研究工作中运用的关键技术。 （2）提出基于用户聚类的多兴趣推荐模型（CMI-GCN） 针对目前传统协同过滤的推荐系统出现推荐效果不佳现象的影响因素之一数据稀疏问题，将用户聚类融入推荐系统。为解决数据稀疏问题以及无法深入挖掘用户信息导致的用户的特征表示难以准确学习的问题，本文提出了基于用户聚类的多兴趣推荐模型（CMI-GCN）。该模型在进行协同过滤推荐之前首先采用聚类方法将用户进行聚类，选定目标用户特征学习的信息检索空间，然后利用图卷积神经网络深度探索目标用户特征学习受到的全局影响。对比实验证实，CMI-GCN模型可以有效缓解传统推荐算法存在的问题，并明显提升了推荐性能。 （3）提出基于邻域交互的多兴趣推荐模型（MI-GCN） 当下大部分的基于图卷积神经网络的模型都是通过增加卷积层来获得最好的性能，然而在持续地增加层数的过程中，各个节点的特征表示将逐渐达到近似相同的状态，导致推荐结果不准确。同时，直接引用高阶信息会产生高阶噪声，使节点表征的学习出现偏差。因此，本文提出了基于邻域交互的多兴趣推荐模型（MI-GCN）。在该模型中设计了子图生成机制，利用三种不同的方法将用户划分，并借助用户特征以及其交互的项目，结合用户-项目二部图生成子图，从而使具有多兴趣性的用户可以归属不同的子图，通过聚合子图中的信息以获得更精准的用户特征表示。实验结果表明，MI-GCN模型能够有效缓解过平滑问题和高阶噪声问题，从而提高推荐结果的准确性。
多兴趣推荐系统;图神经网络;用户特征
华东交通大学
硕士
计算机技术
姜楠
2023
中文
TP391.3
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）