基于图协同过滤的推荐算法研究综述.docVIP

基于图协同过滤的推荐算法研究综述

一、图协同过滤的核心原理与基础架构

协同过滤作为推荐系统领域的经典范式，其核心逻辑是利用用户与物品的历史交互数据挖掘用户偏好，实现个性化推荐。传统协同过滤方法受限于稀疏数据下的偏好表征能力，难以捕捉用户与物品之间的高阶关联。而图协同过滤（GraphCollaborativeFiltering,GCF）将用户-物品交互关系建模为二部图结构，通过图神经网络的消息传递机制聚合邻域信息，有效突破了传统方法的表征瓶颈。

在基础架构层面，图协同过滤算法通常包含四个核心模块：首先是交互图构建模块，将用户集合U={u?,u?,…,u_m}和物品集合V={v?,v?,…,v_n}作为节点，历史交互行为（如点击、购买、评分）作为边，构建异质二部图G=(U∪V,E)，部分算法还会引入用户属性、物品属性作为节点特征，丰富图的语义信息。其次是嵌入初始化模块，为每个用户和物品生成初始低维向量表征，早期算法多采用随机初始化，后续研究逐步引入预训练语言模型、知识图谱嵌入等方式优化初始表征，降低冷启动场景下的训练成本。第三是图消息传递模块，这是图协同过滤的核心，通过堆叠多层图卷积层实现邻域信息聚合，每一层中节点会融合自身特征与一阶邻域节点的特征，多层堆叠后即可捕获高阶交互关联。最后是预测层，通常采用内积、余弦相似度或多层感知机计算用户嵌入与物品嵌入的匹配得分，排序后生成推荐列