基于自适应权重和随机负采样的图卷积网络推荐算法.pdfVIP

第26卷第2期北华大学学报(自然科学版)Vol.26No.2

2025年3月JOURNALOFBEIHUAUNIVERSITY(NaturalScience)Mar.2025

文章编号:1009-4822(2025)02-0262-11DOI:10.11713/j.issn.1009-4822.2025.02.019

基于自适应权重和随机负采样的

图卷积网络推荐算法

李卫强,李相晖,庞娜,马铭

(北华大学计算机科学技术学院,吉林吉林132013)

摘要:推荐算法能够有效提升信息传递效率。目前,基于图卷积网络(GCN)的协同过滤推荐模型通常未考虑每

个节点所扮演角色具有不同的重要性和权重;此外,在模型损失优化过程中容易出现样本不平衡,负样本远多于

正样本,导致模型存在一定程度上的过拟合问题,限制了推荐性能。为了更好地提高推荐算法的推荐性能,提出

一种基于自适应权重和随机负采样的图卷积网络推荐模型(ANS-GCN)。该模型可以在模块中计算节点权重,

以捕获不同节点的重要性权重,是一种方便的即插即用方法;在损失优化模块融合了随机负采样策略作为辅助

损失,缓解训练过程中样本类别不平衡问题,降低模型过拟合程度,提高泛化能力。在3个公开数据集上进行对

比试验,结果表明,本文模型在Recall@20和NDCG@20两个评价指标上均优于基线模型。

关键词:推荐算法;图卷积网络;协同过滤;自适应权重;随机负采样

中图分类号:TP305文献标志码:A

GraphConvolutionalNetworkRecommendationAlgorithmBased

onAdaptiveWeightsandRandomNegativeSampling

LIWeiqiang,LIXianghui,PANGNa,MAMing

(CollegeofComputerScienceandTechnology,BeihuaUniversity,Jilin132013,China)

Abstract:Recommendationalgorithmscansignificantlyenhancetheefficiencyofinformationdissemination.

However,currentGCN-basedcollaborativefilteringrecommendationmodelsoftenfailtoaccountforthevarying

importanceandweightsofrolesplayedbyeachnode.Additionally,sampleimbalance,characterizedbyafar

greaternumberofnegativesamplesthanpositiveones,frequentlyoccursduringmodellossoptimization.This

imbalanceleadstooverfittingandrestrictstherecommendationperformance.Totacklethesechallenges,this

paperintroducesanAdaptiveNegativeSamplingGraphConvolutionalNetwork(ANS-GCN)recommendation

modelthatincorporatesadaptiveweightsandrandomnegativesampling.Themodelcalculatesnodeweightswithin

itsmodule