双通道图协同过滤推荐算法

摘要：

协同过滤是一种应用广泛的推荐算法,其核心过程是学习用户和商品的向量表示.基于图卷积网络(GCN)的协同过滤算法在向量嵌入过程中加入邻居节点的关联信息,进一步提升了算法的推荐性能.然而,图协同过滤算法中存在过平滑现象,且其仅采用邻接矩阵在局部结构中扩展,没有从图的整体结构出发挖掘节点间潜在的交互模式,使得交互信息来源单一.提出一种基于GCN的双通道协同过滤推荐算法DCCF.将向量嵌入过程划分为局部卷积通道和全局卷积通道,以获取不同类型的连接信息.在局部卷积通道中,直接定位邻域节点并使用单层网络结构完成计算,优化信息的聚合方式以应对过平滑问题.在全局卷积通道中,通过聚类的方式构造全局交互图并参与信息的聚合过程,从而挖掘节点间的潜在联系.将局部信息与全局信息相结合,以获得包含不同类型高阶关系的节点向量表示.在3个公开数据集上进行对比实验,结果表明,相较基准算法中性能表现最优的模型,DCCF在归一化折损累计增益和召回率这2个指标上最高分别提升2.8％和5.0％.

关键词：推荐算法、深度学习、协同过滤、图卷积网络、向量嵌入

所属期刊栏目：48

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;山西省重点研发计划项目

在线出版日期：2022-09-05（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：121-128