融合语义增强的用户兴趣度预测方法研究

作     者：吴彦文 马艺璇 葛迪 邓云泽 WU Yan-wen;MA Yi-xuan;GE Di;DENG Yun-ze

作者机构：华中师范大学国家数字化学习工程技术研究中心武汉430079 华中师范大学物理科学与技术学院武汉430079 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2023年第44卷第9期

页      面：1912-1917页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金重点项目(61937001)资助 教育部国家级新工科研究与实践项目2020年新工科专业改革类项目(E-RGZN20201032)资助 教育部高等学校电子信息类专业教学指导委员会2020年教学改革研究项目(2020-YB-30)资助 教育部高教司产学合作协同育人项目(202101316003)资助 湖北省2020年省级教学研究项目(2020139)资助 

主　　题：用户兴趣预测 社会化推荐 语义网络 图神经网络 

摘      要：基于图神经网络的社会化推荐是现有模型中性能较好的一类方法,通过挖掘图结构信息缓解数据稀疏问题.然而现有大多数模型仅考虑浅层的语义上下文信息,导致模型难以学习到高质量的用户/项目向量.为此,本文提出了一种融合语义增强的用户兴趣度预测方法.该模型通过学习用户-项目二部图中的语义关系构建语义增强的用户/物品网络,将其与社交网络送入关系感知图神经网络中进行深层上下文信息的聚合,利用多层感知机对生成的用户兴趣和物品嵌入进行拼接,最终预测用户和物品的交互得分.对Ciao和Epinions两个公开数据集进行仿真实验,实验结果显示,模型在Recall@K(召回率)和NDCG@K(归一化折损累计增益)两个方面相较于最优基线平均提升了3.55%和2.21%,从而验证在进行语义增强和上下文感知聚合后,算法的有效性得到了提升.