结合注意力CNN与GNN的信息融合推荐方法
稀疏性问题一直是推荐系统面临的主要挑战,?而信息融合推荐可以利用用户的评论、评分以及信任等信息发掘用户的偏好来缓解这一问题,?从而为目标用户生成相应的推荐.?用户、项目信息的充分学习是构建一个成功推荐系统的关键.?但不同用户对不同项目有不同的偏好,?且用户的兴趣偏好及社交圈是动态变化的.?提出一种结合深度学习与信息融合的推荐方法来解决稀疏性等问题.?特别地,?构建了一种新的深度学习模型——结合注意力卷积神经网络(attention?CNN)与图神经网络(GNN)的信息融合推荐模型ACGIF.?首先,?在CNN中加入注意力机制来处理评论信息,?从评论信息中学习用户和项目的个性化表示.?根据评论编码学习评论表示,?通过用户/项目编码学习评论中用户/项目表示.?加入个性化注意力机制来筛选不同重要性级别的评论.?然后,?利用GNN来处理评分和信任信息.?对于每个用户来说,?扩散过程从最初的嵌入开始,?融合相关特性和捕获潜在行为偏好的自由用户潜在向量.?设计了一个分层的影响传播结构,?以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变.?最后,?对前两部分得到的用户对项目的偏好向量进行加权融合,?获得最终的用户对于项目的偏好向量.?在4组公开数据集上,?以推荐结果的MAE和RMSE作为评估指标进行了实验验证.?结果表明,?与现有的7个典型推荐模型相比,?所提模型的推荐效果和运行时间均占优.
推荐系统、注意力机制、卷积神经网络、图神经网络、信息融合
34
TP391(计算技术、计算机技术)
国家自然科学基金;江西省自然科学基金;江西省教育厅科技重点项目
2023-05-11（万方平台首次上网日期，不代表论文的发表时间）
共20页
2317-2336
