采用新型元路径的异构图表示学习方法

摘要：

图神经网络已经成为推荐系统领域的一种主要方法.很多研究把元路径融入到异构图神经网络中,但绝大多数元路径的定义方式只考虑节点之间是否存在连接.而在异构图中同一个节点可能被多条不同类型的边所连接,如用户对物品的浏览、加入购物车、购买等不同交互行为,按照传统的元路径定义方式进行实例化会因为忽略了边的类型而导致学习的节点embedding不准确.针对上述问题,提出一种在异构图上把边类型融入到元路径的方法,使节点在每个场景下得到单独训练.然后,使用图注意力机制将不同场景下的同一节点的embedding进行聚合,最终得到该节点的embedding.并用来预测用户与未交互的物品之间的行为关系,从而达到向用户推荐物品的目的.实验表明,提出的算法在三个公开数据集上都取得了性能提升,在阿里天池赛数据集上F1、ROC-AUC和PR-AUC指标分别提高了8.75%、6.03%和4.86%.

关键词：分布式表示、异构图、元路径、推荐系统

所属期刊栏目：17

分类号：TP399(计算技术、计算机技术)

资助基金：山东省自然科学基金;山东省自然科学基金;山东省高等学校青创科技计划创新团队项目

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1680-1689