基于离散化动态图的协同过滤推荐算法

摘要：

基于图卷积网络(GCN)模型在学习用户/物品表示方面表现出了强大的性能,给传统的协作过滤(CF)算法带来了新的研究突破.然而,现有的基于GCN的CF方法仍然都是针对静态图建模,而在实际场景中,用户与物品的交互不是一成不变的,会随着时间的推移而持续演化;GCN中的过平滑问题会极大地限制现有推荐算法的表示学习建模.为解决上述问题,提出了基于动态图的协同过滤算法(DynGCF),其目的是通过同时捕获图的结构和时态演化信息来学习用户和物品的嵌入表示.DynGCF首先采用GCN学习每个离散快照图上的用户/物品嵌入,然后应用时间卷积网络(TCN)和自注意力机制学习,最终嵌入表示.为缓解过平滑问题,本文改进了传统GCN中的关键模块,即邻域聚合,通过在1 阶交互图和2 阶共现图建模用户和物品的交互.在4 个真实数据集上与基于GCN的CF方法和动态图的基线方法对比,验证了DynGCF的性能提升,并分析验证了改进的方法能有效缓解过平滑问题.

关键词：推荐系统、动态图、图卷积网络(GCN)、协同过滤(CF)

所属期刊栏目：33

分类号：TP301.6;F713.36;TP18

资助基金：北京市科技计划;河北省科技计划资助项目

在线出版日期：2023-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：591-601