特征规范化的图卷积神经网络推荐算法

摘要：

为了提高推荐算法的推荐性能,针对现有的图卷积神经网络(graph convolutional neural network,GCN)的推荐算法中,2-3 层的传播网络结构不利于较远距离节点之间进行信息交互,而加深网络层数又会导致性能急剧下降的问题,提出一种特征规范化的图卷积神经网络推荐算法.该方法为传播网络中每一层输出特征进行规范化处理,避免节点嵌入表示随着网络层数增加而变得过于相似;在预测阶段,使用自注意力机制(self-attention mecha-nism,SA)将各层的输出进行连接,以获得更好的节点最终表示.在 3 个真实数据集上与传统算法以及现有同类型推荐算法进行对比,验证了该模型的有效性.实验结果表明,所提模型与基准模型相比,在召回率Recall@N和归一化折损累计增益NDCG@N上有明显提高,平均提升 1.675％,最高可提升 3.406％.

关键词：推荐算法、图卷积神经网络、规范化层、自注意力机制

所属期刊栏目：35

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;云南高新技术产业发展项目;云南省重大科技专项计划;云南省重大科技专项计划;云南省基础研究计划项目;云南省学术和技术带头人后备人才

在线出版日期：2023-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：528-535