基于图神经网络的推荐系统多样性增强方法结题报告.docVIP

基于图神经网络的推荐系统多样性增强方法结题报告

一、研究背景与问题提出

在互联网技术高速发展的当下，推荐系统已经成为信息过滤与用户需求匹配的核心技术，广泛应用于电商、社交、视频流媒体等多个领域。传统推荐系统如协同过滤、矩阵分解等方法，在准确性优化方面取得了显著成效，但往往陷入“信息茧房”困境——算法过度聚焦于用户历史交互数据中的显性偏好，导致推荐结果高度同质化。这种单一化的推荐模式不仅会降低用户的长期满意度，还会限制平台内容生态的多样性，最终影响平台的用户留存与商业价值。

随着图神经网络（GraphNeuralNetworks,GNN）的兴起，其在处理复杂拓扑结构数据方面的天然优势为推荐系统带来了新的发展机遇。GNN能够将用户、物品、属性等实体建模为图中的节点，将交互关系、关联关系建模为边，通过消息传递机制学习实体的高阶嵌入表示，从而更精准地捕捉用户的潜在兴趣。然而，现有基于GNN的推荐系统仍以优化推荐准确性为核心目标，对多样性的关注不足。如何在保证推荐准确性的前提下，有效增强推荐结果的多样性，成为当前推荐系统领域亟待解决的关键问题。

二、相关研究综述

（一）推荐系统多样性增强的传统方法

传统的推荐系统多样性增强方法主要分为两类：离线多样性优化与在线多样性重排。离线多样性优化方法通过在模型训练阶段引入多样性约束，如在损失函数中加入正则项，平衡准确性与多样性。例如，部分研究通过