改进图卷积网络的协同过滤推荐模型

摘要：

图卷积网络(GCN)已应用于各领域并取得巨大成功,其中包括推荐系统.推荐系统的核心目标是推测用户偏好从而主动为用户提供有价值有针对性的消息,协同过滤是经典且广泛应用的一种推荐方法.但基于GCN的推荐方法仍存在诸多问题,如GCN递归地合并来自不同阶邻域的消息,难以区分地混合不同的节点消息导致训练困难,以及过平滑等问题对推荐模型产生了很大的约束.与目前基于GCN的方法不同,针对以上问题,提出使用简单GCN模型分别汇总不同顺序的邻域消息用于协同过滤,然后以分层方式将它们聚合,无需引入其他模型参数.之后,将Dropout思想迁移至模型中,通过在每一层随机丢弃邻居消息来减轻过平滑的影响,很好地防止了过拟合并提升了模型性能.在三个数据集上进行的实验结果证明了所提模型的有效性.

关键词：图数据、推荐系统、协同过滤、图卷积网络

所属期刊栏目：58

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61502262

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：199-205