多行为融合表示的推荐技术研究与应用.pdf

摘要

在电子商务平台上，用户与项目之间具有不同类型的交互行为关系，如浏览、

收藏、添加到购物车和购买等。这些不同类型的行为刻画了用户对项目的不同兴趣。

通过学习不同行为的节点表示并进行融合，可以建模高质量的用户和项目表示，进

而提高推荐预测的准确性。已有研究工作主要集中在单行为下的节点表示研究，忽

略了对不同类型行为节点表示的建模和融合，难以充分建模用户的兴趣，推荐的性

能有待进一步提升。本文通过分析不同行为下用户和项目的语义信息以及多行为之

间的语义依赖关系，提出了多行为关系注意力融合表示推荐方法和多行为关系自适

应融合表示组合对比学习推荐方法，充分学习多行为语义信息在用户兴趣偏好表示

中的作用，并设计了基于用户多行为关系的商品推荐系统。论文主要研究内容如下：

1

（）提出了多行为关系注意力融合表示的推荐方法。首先，根据单行为的用户

-项目交互图，利用图神经网络分别学习不同类型行为下用户和项目的节点特征表示；

其次，融合不同类型行为的节点特征表示，通过多头注意力机制捕获多行为之间的

关联，得到多行为的用户和项目融合表示；进而，采用点积注意力计算单行为节点

特征表示的个性化权重；进一步，计算用户在单行为和多行为下对项目的兴趣分数。

最后，在多个数据集上进行实验。实验结果表明，通过将多行为的信息融合可以捕

获用户和项目在不同行为下的特征，从而提升推荐的准确率。

2

（）提出了多行为关系自适应融合表示的组合对比学习推荐方法。首先，基于

图神经网络学习初始化节点和行为关系的表示；然后，设计了自适应的融合加权机

制学习目标行为与辅助行为之间的关联，建模用户和项目的融合表示；进一步，采

用组合对比学习的方式提高节点表示的准确性；最后，基于用户、项目的融合表示

和行为关系表示，实现了目标行为的点击率预测，并通过多任务学习优化节点表示

质量。实验结果表明，多行为关系自适应融合表示的方法可以有效区分辅助行为对

目标行为的不同影响，增强用户和项目的节点表示语义信息，提高了推荐性能。

（3）设计并实现了基于用户多行为关系的商品推荐系统。该系统通过挖掘用户

对商品的多种行为之间的关联关系，实现了在不同行为下用户和商品特征表示的融

合，计算了用户对商品的点击率预测，为用户提供了商品推荐服务。

关键词：推荐系统；协同过滤；对比学习；图神经网络

I

ABSTRACT

Onthee-commerceplatform,therearedifferenttypesofinteractionbetweenusers

anditems,suchasbrowsing,favoriting,addingtocart,andpurchasingbehaviors.These

differenttypesofbehaviorscharacterizethedifferentinterestsofusersforitems.By

learningnoderepresentationsofdifferentbehaviorsandfusingthem,wecanmodel

high-qualityuseranditemrepresentations,whichcanimprovetheaccuracyof

recommendationprediction.Theexistingresearchesmainlyfocusontheresearchofuser

anditemrepresentationundersingle-behavior,ignoringnodesrepresentdifferenttypesof

behaviormodelingandfusion,anditisdifficulttofullymodeltheusersinterest,andthe

performanceofrecommendationneedstobefurtherimproved.Inthispaper,byanalyzing

thesemanticinformationandsemanticdepen