知识增强的图神经网络序列推荐模型

摘要：

现有基于图神经网络的序列推荐模型大多仅关注用户与项目交互的结构性信息,序列偏好的学习仅涉及项目交互顺序,缺乏项目自身的内容信息,并且未有效利用用户信息及挖掘项目之间更深层的语义关系.提出一种知识增强的图神经网络序列推荐模型KGGNN,引入知识图谱,并结合用户交互数据构建协同知识图谱,学习得到项目语义关联辅助信息以及用户关联辅助信息.将交互序列构建成有向序列图,利用门控图神经网络以及用户关联辅助信息学习序列中项目节点的结构性信息.通过注意力机制组合项目向量作为全局序列偏好,将最近交互的项目作为当前兴趣偏好,融合两者形成最终序列偏好,并结合项目语义关联辅助信息进行模型预测.在Amazon-Book、Last-FM、Yelp2018这3个公开数据集上的实验结果表明,辅助信息能有效提升序列推荐的准确性,该模型在命中率(HIT@K)和归一化折损累计增益(NDCG@K)2个指标上相较于GRU4Rec、NARM、SASRec等模型均有显著提升.当评估指标K值选取10时,与KGSR模型相比,其HIT@10指标在3个数据集上分别提升12.9％、4.5％、6.9％,NDCG@10指标在3个数据集上分别提升29.4％、5.7％、16.7％.

关键词：序列推荐、图神经网络、知识图谱、推荐系统、用户行为、深度学习

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：重庆市自然科学基金;湖北省重点研发计划项目

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：70-80