基于多图的图卷积协同过滤方法的研究.pdf

基于多图的图卷积协同过滤方法的研究

摘要

个性化推荐是根据用户的历史偏好为其提供个性化的内容，在许多场景下都发挥

着重要的作用。协同过滤从交互数据中学习用户和项目的向量表示，通过表示的相似

性预测用户对项目的偏好。从早期的矩阵分解到最近的基于图卷积神经网络的协同过

滤，都致力于学习最优的嵌入表示。特别地，基于图卷积神经网络的协同过滤通过捕

获用户-项目图中的结构和特征信息达到了较优性能。然而，现有的工作存在以下局限

性：首先，辅助信息会产生侵入性融合问题，使得原始嵌入空间容易受到破坏。其次，

K最近邻节点算法固定邻居数量，无法确定邻居质量的好坏，导致构建用户图和项目

图时不能保证信息来源的可靠和多样；最后，深层图卷积神经网络会产生过度平滑问

题，使得节点间丧失差异性，无法保证学习到最优的嵌入表示。

针对以上问题，本文提出一种轻量级的多图卷积协同过滤模型（LightMulti-Graph

ConvolutionalCollaborativeFiltering，LM-GCCF），在嵌入学习的过程中合并了多个图。

从横向和纵向两个维度学习最优的嵌入表示，分别对应多图结构处理器和多层邻域交

互器。在横向维度上，多图结构处理器构建用户图和项目图（即多图），并为图中节点

分配节点级别的权重。以多图代替二部图，将高耦合的用户和项目进行分离，避免了

侵入性融合问题。在多图的基础上进行再分裂，以形成多个关系图作为不同的信息来

源。同时通过节点关系过滤系数使节点有选择性地选取不同质量的邻域，从而保证图

中的信息来源既可靠又多样。在纵向维度上，多层邻域交互器设计一种基于邻域关系

的多图特征提取模块，以邻域级别的权重聚合多个邻域的有益特征，有效缓解由深层

图卷积神经网络导致的过度平滑问题。在嵌入学习的过程中，LM-GCCF延迟用户和项

目的交互，保证了用户和项目嵌入在学习过程中的稳定性。

本文基于AutoDL平台在四个公开访问的基准数据集上进行了大量实验。LM-

GCCF相比其他基于图卷积神经网络的协同过滤有2.00%~7.22%的性能提升。消融实验

表明LM-GCCF各个组件均对性能提升产生了积极作用。关于节点关系过滤系数的实验

验证了LM-GCCF的信息来源既可靠又多样。通过深入分析，表明LM-GCCF具有较强

的鲁棒性以及适用于较高活跃度的场景。

关键词：多图；图卷积神经网络；信息来源；特征融合；协同过滤

基于多图的图卷积协同过滤方法的研究

Abstract

Personalizedrecommendations,whichprovideuserswithpersonalizedinformationbased

ontheirhistoricalpreferences,playanimportantroleinmanyscenarios.Collaborativefiltering

learnsvectorrepresentationsofusersanditemsfrominteractiondataandpredictsuserspref-

erencesforitemsbythesimilarityoftherepresentations.Fromtheearlymatrixdecomposition

totherecentgraphconvolutionalneuralnetwork-basedcollaborativefiltering,theyallworkon

learningoptimalembeddingrepresentations.Inparticular,collaborativefilteringbasedon

graphconvolutionalneuralnetworksexplicitlymodelstherelationshipbetweenusersanditems

intheformofbipartitegraphs,capturingtheinformationembeddedinhigh