书名：深度理解算法 图表示学习的推荐系统研究
作者：马心陶
ISBN：978-7-5228-3582-2
出版社：社会科学文献出版社
出版日期：2024.05
随着互联网的发展和信息的爆炸式增长,信息过载已经成为人们获取有价值信息的主要障碍之一。推荐系统是当前热门的研究领域,利用推荐系统可以有效地对用户和项目建模,深入挖掘用户需求,为其推荐符合个性化需求的项目。在实际中,推荐系统不仅需要研究用户和项目的交互行为,还要融合各种辅助信息,如项目特征、用户属性、上下文信息等。这些辅助信息可以缓解推荐系统的冷启动和数据稀疏的问题,并提高推荐系统的准确性。同时,融合辅助信息的推荐系统存在着拓扑关联,形成图结构。例如,用户和项目的交互二部图、用户端的社交网络以及项目端的知识图谱等,都为推荐系统技术提供了高维空间信息和语义关系的支撑。图表示学习技术,不仅可以应对复杂的图结构,而且可以在提高推荐质量的同时,为推荐结果提供可解释性。因此,运用图表示学习技术对推荐系统中存在的不同图结构进行挖掘分析,对当前推荐系统的发展具有重要意义。虽然图表示学习已广泛地运用于当前的推荐系统中,但仍然存在一些亟待解决的问题和难点:(1)忽略了图结构中隐性关系和高阶关系的挖掘,这在一定程度上影响了推荐系统的准确度;(2)忽视了不同语义关系的邻域对图结构中节点的影响,导致其在映射到低维空间时应赋予的权重较难符合实际预期;(3)缺少能够利用图表示学习技术针对推荐系统中的不同图结构信息进行有效整合的研究方法。针对这些问题和难点,本书开展基于图表示学习的深度推荐系统研究,针对推荐系统中普遍存在的图结构模式提出了四种算法,主要研究内容和贡献如下。第一,针对二部图隐性关系的图表示学习。在推荐系统中,用户项目的交互二部图包含显性关系和隐性关系。但传统推荐系统更偏重对显性关系的挖掘,忽略了隐性关系包含的隐藏信息。而隐性关系在反映用户对项目偏好的相似度方面具有不可忽视的作用。因此,本书提出基于二部图隐性关系的AIRC算法,对隐性关系进行建模,通过加入用户和项目属性等辅助信息、采用图注意力机制等方式对隐性关系进行分析,区分节点特征重要性。同时,使用图自编码器分析用户项目交互的显性关系,进而将这两部分的图表示学习技术进行结合。实践表明,加入隐性关系的图表示学习技术可以提高交互二部图推荐的准确性。第二,融合社交网络和推荐系统的图表示学习。社交网络可以为推荐系统提供关于用户社交关系的辅助信息,在社交网络中,关系紧密的用户拥有相似偏好的可能性更大,因此可以为推荐系统的用户特征学习提供新的角度。基于此,本书提出基于多注意力机制的融合社交网络和推荐系统的SR-AIR算法,将融合社交网络和推荐系统的图结构分为用户端和项目端:在用户端对用户项目的交互信息、用户的社交关系、用户之间的隐性关系进行建模;在项目端对项目交互的用户信息以及项目的隐性关系进行建模,深度挖掘用户和项目的高阶传递关系。本书通过多注意力机制将两端的模型融合,捕捉社交关系和隐性关系对用户偏好的不同影响,从而提高推荐系统的推荐质量。第三,融合知识图谱和推荐系统的图表示学习。项目端的知识图谱可以极大地丰富项目的属性和语义信息,强化项目之间的联系。本书提出两种融入知识图谱的推荐系统图表示学习方法。其一,基于传播的方法。本书提出双传播机制的AKUPP算法,一方面,通过构建用户和历史项目交互的模型,进行用户偏好传播,以此发现用户和项目之间的隐藏特征;另一方面,通过多注意力机制进行项目知识传播,在传播过程中为邻域自适应分配权重,探索知识图谱中的高阶语义关系。两种传播进行依次学习,结合用户偏好及知识图谱中的知识,以更好地提升推荐系统的性能。其二,基于邻域的方法。本书提出多任务增强的邻域交互的MNI算法,对融合知识图谱和交互二部图的邻域关系进行重构建模,得到邻域交互图,将用户项目的交互信息转化为邻域的交互关系,利用图表示学习技术挖掘邻域的高阶语义关系。同时,运用多任务交替学习模式,将知识图谱中的语义关系加入邻域交互图,区分不同语义关系的影响力,从而提高推荐的准确性。