基于高阶和低阶交互关系的深度学习推荐模型研究

作     者：时倩如 李贺 沈旺 刘嘉宇 田聪淼 Shi Qianru

作者机构：吉林大学商学与管理学院吉林长春130012 

出 版 物：《情报理论与实践》 (Information Studies:Theory & Application)

年 卷 期：2024年第47卷第4期

页      面：189-196页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081203[工学-计算机应用技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目“基于图模型的多源异构在线产品评论数据融合与知识发现研究”的成果 项目编号:71974075 

主　　题：深度学习推荐模型 超图 变分自编码 个性化推荐 

摘      要：[目的/意义]针对缺乏辅助信息的场景,为更好地挖掘用户偏好,从用户项目间的交互信息中挖掘高阶关系特征,并综合考虑全局和局部层次上的交互关系,提出一种基于高阶和低阶交互关系的深度学习推荐模型(HLRec)。[方法/过程]从原始交互数据中构建超图和二分图两种子图,分别显式建模用户项目间高阶和低阶交互关系;使用关联矩阵表示高阶交互关系特征,异构图神经网络提取低阶交互关系特征;融合高阶与低阶交互关系特征,并输入到深度生成模型变分自编码器(VAE)中学习用户和项目的表示向量;根据模型预测的用户项目间匹配概率完成Top-k个性化推荐。使用公开数据集MovieLens-1M验证提出的模型。[结果/结论]实验结果表明,在Top-20推荐中,与相关基线模型相比,本文模型的Recall、Precision和NDCG分别提高了4.18%、3.20%和3.41%。