融合物品关系的图神经网络推荐算法

典型的社交推荐方法都受限于对用户的行为建模,如用户与用户之间的社交行为、用户与物品之间的交互行为,而忽略了用户感兴趣的多个物品之间存在的潜在相关性,导致信息丢失。在数据稀疏的推荐场景中,用户行为的稀疏性导致系统可用的信息不足,因此需要引入具有丰富内涵的物品关系作为辅助信息。文中致力于融合用户行为和辅助信息共同建模用户的偏好,以提升推荐的准确性。推荐系统中的数据大多可以表示为图结构,例如用户的社交行为、交互行为和物品关系,可以转化为用户-用户图、用户-物品图和物品-物品图。图神经网络在处理大规模图形数据方面颇有成效,建立一个包含物品关系的图神经网络推荐框架面临巨大的挑战:1)物品-物品关系是隐式的;2)用户-用户图、用户-物品图、物品-物品图,是3种不同类型的图;3)用户与用户、用户与物品、物品与物品之间的联系都具有异质性。为了解决上述问题,文中提出了一种新的基于图神经网络的社交推荐方法(PEVGraphRec),引入了一种数学上的方法显式地构建物品间的连接,该模型能够内在地结合3种不同的图,以便更好地学习用户偏好。最后,提出了注意力机制来综合地考虑不同信息的权重。在3个真实数据集上进行实验,实验结果证明了所提方法的有效性。