用户生成内容场景下角色导向图神经推荐方法.pdfVIP

第47卷第6期计算机学报Vol.47No.6

2024年6月CHINESEJOURNALOFCOMPUTERSJune2024

用户生成内容场景下角色导向图神经推荐方法

娄铮铮朱军娇张万闯吴宾

（郑州大学计算机与人工智能学院郑州450001)

摘要近年来互联网的飞速发展不断改变着信息的生产和传递方式，随之出现了用户使用互联网的新方式

用户生成内容（User-GeneratedContent,UGC).该场景中内容以传播速度快、获取成本低等优势迅速占据互联网信

息传播的重要地位.不同于传统推荐场景，UGC场景下用户同时扮演生产者和消费者双重角色，这使得在构建推

荐模型时既需要考虑消费者与内容之间的交互信息，也需关注内容生产者对于消费者决策的影响.因此，UGC场

景下个性化推荐算法研究的关键在于如何充分挖掘消费者-内容和消费者-生产者之间的关联关系，在面向UGC

场景的推荐研究中,比较有代表性的模型为CPRec,该模型虽取得一定进展，但仍存在两点不足之处.其一，在模型

构建层面，未能显式建模消费者-内容与消费者-生产者之间的高阶连通关系，难以学习出高质量的节点表征.其二，

在模型优化层面，无法区分每个观测数据在不同训练阶段的贡献度，将影响推荐结果的质量.为此，本文提出一种

新颖的角色导向图神经推荐方法RGNRec(Role-GuidedGraphNeuralRecommendation)用于UGC场景的个性化

排序任务.特别地，基于用户的历史行为数据与内容的创作者信息分别构建了消费者-内容交互图和消费者-生产者

交互图。进一步，为了显式捕获两种交互图中的高阶连通信息，构建一种双通道线性传播模块，同时刻画了消费者

兴趣与内容生产者影响的扩散过程．最终，提出设计一种自适应的正样本权重生成策略，将其融入非采样损失函

数，并建立双层优化机制来学习模型的参数，本文的核心贡献包括：（1）引人双通道线性传播模块，以显式解耦出

自身兴趣与内容生产者效应对于用户偏好建模的不同贡献度；（2)提出权重自适应的非采样损失函数，以解决不同

观测样例在模型不同训练阶段贡献不同的问题．本文分别采用经典的和最先进的图神经网络方法作为基准，在

3个UGC场景Pinterest、Recipes和Reddit下进行了实验对比.在整体推荐性能方面，无论模型精度亦或训练效率

上均优于各基准方法，尤其在Precision10指标上获得了4.31%～17.83%的提升；然后通过消融实验验证了双

通道线性传播模块和权重自适应优化机制的合理性与必要性；最后通过实验验证了本文方法在缓解数据稀疏和用

户冷启动方面的优越性。

关键词推荐系统；图神经网络；用户生成内容；双重角色；非采样学习

中图法分类号TP18D0I号10.11897/SP.J.1016.2024.01288

Role-GuidedGraphNeuralRecommendationinUser-GeneratedContentScenarios

LOUZheng-ZhengZHUJun-JiaoZHANGWan-ChuangWUBin

(SchoolofComputerandArtificialIntelligence,ZhengzhouUniversity,Zhengzhou450001)

AbstractPersonalizedrecommendationisavitalandindispensabletoolatovercomingtheinfor-

mationoverloadproblem.Itcanhelpuserstofindtheirdesiredinformationandassistcontent

providerstoobtainfruitfulprofits.Ithasbeenwidelydeployedinvariousfields,suchasnews,

e-commercea