基于记忆增强的图神经网络序列推荐方法结题报告.docVIP

基于记忆增强的图神经网络序列推荐方法结题报告

一、研究背景与问题提出

在数字化经济高速发展的当下，推荐系统作为连接用户与信息、商品的关键桥梁，其性能优劣直接影响着平台的用户体验与商业价值。传统推荐方法如协同过滤、矩阵分解等，在处理复杂用户行为数据时逐渐显现出局限性。随着用户行为数据的爆炸式增长，序列推荐因其能够捕捉用户动态兴趣变化而成为研究热点。然而，现有序列推荐方法仍面临诸多挑战：

一方面，用户兴趣具有多样性与演化性。在实际场景中，用户的行为序列往往包含短期突发兴趣与长期稳定兴趣，例如用户可能在浏览电子产品时突然关注书籍，之后又回归电子产品浏览。传统序列模型如循环神经网络（RNN）、长短期记忆网络（LSTM）等，在建模长期依赖关系时存在梯度消失或爆炸问题，难以有效区分并保留用户的长期兴趣。

另一方面，图结构数据在推荐系统中的应用日益广泛。用户与物品、物品与物品之间的交互关系天然构成复杂的图结构，图神经网络（GNN）凭借其强大的图结构建模能力，能够有效挖掘用户-物品交互图中的潜在关联。但将GNN应用于序列推荐时，如何将序列的时序信息与图的结构信息有机结合，同时增强模型对用户历史行为的记忆能力，成为亟待解决的问题。

此外，数据稀疏性问题始终困扰着推荐系统。部分用户的行为序列较短，物品的交互数据有限，导致模型难以准确学习用户兴趣与物品特征。记忆增强机制能够通过存储和复用历史信息，缓解数