基于双向注意力的图神经推荐算法研究

目的推荐系统主要目标是分析用户的历史行为,以预测用户最感兴趣的项目,随着电子商务和在线服务的日益发展,个性化推荐已成为当今信息传播的基石。基于知识图谱的神经网络推荐通过构建知识图作为输入,可以很好地将节点信息和拓扑结构相结合进行预测,在推荐准确性方面已经证明了良好的结果。然而,现有方法较少考虑图结构中存在的对称关系和信息聚合时梯度消失问题。方法本文提出一种基于知识图谱和神经网络结合的双向注意力机制推荐算法(BGANR),首先将图神经网络与对称注意力机制相结合;然后在不增加额外数据集中维度的情况下,通过双向对称嵌入翻译模型获取用户-项目间的高阶关系,实现对知识图谱中用户-项目信息进行特征的嵌入表示,使注意力机制在决策权重时考虑的关系更全面;其次,基于图神经网络在对节点和邻居信息训练过程中,采用多通道激活函数针对不同的高阶关系进行修正,从而增加反馈的信息量,避免训练过程中的过拟合问题。结果仿真实验结果表明,在Last-FM数据中Recall、NDCG指标与经典模型最好的结果相比,分别提高了2.56%、1.96%。结论BGANR不仅能够实现双向探索高阶连通性,而且在捕捉有效的协同信号的同时能够实现高效信息传递。