融合負采樣和消息傳遞的GCN推薦算法①

何進成, 王 浩, 劉其剛, 孫 剛

(阜陽師范大學計算機與信息工程學院,安徽 阜陽 236037)

0 引 言

推薦系統已廣泛應用于社交媒體、在線購物和搜索引擎等領域,是緩解信息過載、提升用戶體驗的重要工具。協同過濾(Collaborative Filtering,CF)是一種常用的推薦算法[1],通過對用戶和項目的歷史交互進行建模,預測用戶未來可能的交互。隨著推薦算法的不斷進步,通過對用戶和項目的交互進行二分圖建模,He等人[2]提出的LightGCN模型簡化了NGCF[3]的設計,只包含GCN中用于協同過濾最基本的組件:鄰域聚集。但負采樣工作在很大程度上尚未被探索,同時堆疊多層的消息傳遞會阻礙GCN模型在協同過濾任務上的收斂。為了解決上述問題,提出了SNGCN模型,改進了LightGCN模型顯式消息傳遞和負采樣的過程。具體來說,為以下兩個方面:第一,不執行顯式的消息傳遞,通過約束損失逼近多層圖卷積的極限,達到近似收斂的狀態,使模型得到簡化。第二,通過正例融合和樣本融合的策略合成硬負樣本。在數據集上的實驗結果表明,以上改進對LightGCN模型的推薦性能有所提升。其Recall和NDCG指標均比對比算法有所提高。

1 相關工作

1.1 協同過濾

CF建模的核心是基于用戶的行為數據挖掘用戶對項目的偏好,用戶的數據包含用戶集U={u},項目集I={i}及交互集Y={yui}。通過交互數據預測用戶u與項目i未來產生交互的可能性[4]。MF[5]是將用戶和項目的ID作為嵌入向量,如NCF模型即采用這種思想,這種方式將每個用戶-項目對視為孤立的數據,而沒有考慮它們在嵌入函數中的關系。……