基于图卷积的异构网络推荐算法.pdfVIP

基于图卷积的异构网络推荐算法

摘要

随着互联网相关行业的快速发展，各类数据呈爆炸式增长，推荐算法作为信息过

滤的一个重要技术手段，在各类应用中发挥着重要作用。当下，在推荐系统领域研究

者们主要集中于深度学习领域相关的技术，而作为具有能够很好地挖掘图结构属性和

节点特征的图卷积神经网络，便是其中热门的方向之一。

在推荐系统中，可将网络中的对象视为图的顶点，将顶点的特征视为图上的信号，

各对象间的关系视为链接节点的边，如此可将推荐问题转化为图的链接预测问题。因

为推荐系统中普遍存在多类型的对象和交互关系，因此它是一个典型的异构网络。面

向异构网络，通过图卷积神经网络进行建模，能够很好地挖掘网络中的结构和语义信

息，从而提高推荐算法的准确性和可解释性。而对于基于图卷积的推荐系统，当前大

多数模型仅将网络视为二部图进行卷积操作，未能很好的利用网络中的各种类型的节

点、交互关系和辅助信息，即单纯将用户和项目等实体视为同类型对象，将相互间的

交互视为同类型关系。如此，一方面未能充分反映异构网络中节点在不同交互关系下

的特征，另一方面未能合理利用异构网络中各类多源辅助信息，从而导致对节点表征

不足而影响了推荐的效果。基于以上问题，本文提出了两种面向异构网络的图卷积推

荐算法，主要内容如下：

1

（）基于二部图的异构网络推荐算法

针对当前图卷积模型直接在二部图上进行卷积操作，将用户和项目视为同类型对

象，将相互间的交互视为同类型关系，从而无法充分反映节点在不同交互下的特征的

问题，提出了一种基于二部图的异构网络图卷积推荐算法。算法首先通过相似度计算，

--

在二部图的基础上构建用户用户和项目项目两个同构网络；接着使用注意力机制分别

提取同构网络的节点特征，然后将其融合到二部图卷积后生成的特征中。如此，生成

的节点特征便充分反映了二部图中用户和项目在不同交互下的特征。最终通过一个深

度神经网络，将多个多维度的数据映射到单一维度来生成预测评分。与已有算法相比，

在多个数据集上的实验结果表明，提出的方法具有更小的实验误差。

2

（）融合知识图谱的异构网络推荐算法

针对当前图卷积模型未很好地利用网络中辅助信息的问题，提出了一种在图卷积

算法的基础上融合知识图谱的方法，有效挖掘网络中节点间的潜在语义关系。首先利

用网络中的辅助信息，通过特定的元路径指导来生成多个同构网络，并使用注意力机

制提取这些同构网络中的节点特征，然后将所有提取的节点特征融合到二部图卷积后

生成的特征中，最终通过一个深度神经网络产生推荐结果。与已有算法相比，在多个

数据集上的实验结果表明，提出的方法具有更小的实验误差。且由于算法融合了知识

图谱，一定程度上提高了推荐结果的可解释性。

关键词：推荐系统，异构网络，图卷积，注意力机制，知识图谱

GraphConvolutionRecommendationforHeterogeneous

Networks

Abstract

WiththerapiddevelopmentofInternetrelatedindustriesandtheexplosivegrowthofdata,

recommendationalgorithm,asanimportanttechnicalmeansofinformationfiltering,playsan

importantroleinvariousapplications.Atpresent,researchersinthefieldofrecommender

systemsmainlyfocusonthetechnologiesrelatedtothedeeplearningfield.Graphconvolutional

neuralnetwork,whichcanwellexplorethestructuralattributesandnodefeaturesofthe