基于有监督对比学习的图神经网络推荐算法研究

作     者：杨淳 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：凡时财

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 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）] 

主      题：推荐系统 图神经网络 对比学习 损失函数 

摘      要：推荐系统通过辅助用户从海量的候选数据中挖掘出感兴趣的项目，可缓解信息过载问题、提升用户使用体验，具有巨大的实用价值和经济潜力。图神经网络能够以聚合节点邻域信息的方式提取高阶交互特征，因而被广泛应用于推荐系统。然而，基于图神经网络的推荐系统依然存在对数据敏感、模型收敛速度慢、推荐性能不足等问题。为进一步提升基于图神经网络的推荐算法性能，本文开展了结合对比学习以及损失函数优化的推荐算法研究，具体研究工作如下： （1）针对现有方法未充分结合目标任务且对数据敏感的问题，本文提出了一种新的基于图神经网络的有监督对比学习范式（SupervisedContrastiveLearningParadigmbasedonGraphNeuralNetwork，SCL）。SCL基于推荐任务的目标函数，为表征学习构建了有监督信息。监督信息引导下的有监督对比学习损失使得具有相似交互历史的节点在表征空间中互相靠近，有利于推荐性能的提升。此外，SCL范式中提出了一种新的称为节点复制的数据增强方法，该方法增强了节点表征的鲁棒性和兴趣倾向的表达能力，使得推荐结果更加多样化，进一步提升了推荐系统的表示能力。在Gowalla、Yelp2018和Amazon-Book等标准数据集上的对比实验以及消融实验表明，本文所提出的SCL范式在Recall、NDCG等指标上优于当前推荐系统领域的其它算法，具有潜在的应用价值。 （2）针对现有推荐算法收敛速度较慢、推荐性能有待进一步改进的问题，本文提出了一种新的训练范式，称为基于有监督个性化排名损失的训练范式，该训练范式的核心点在于本文提出的融合先验知识的有监督个性化排名损失函数（SupervisedPersonalizedRankingbasedonpriorknowledge，SPR）。基于该范式的推荐算法充分利用原始数据的先验知识构造有监督信号，并通过利用有监督信号建立额外用户-用户关系对的方式改进传统的推荐损失函数，对用户的兴趣趋势进行更有效的建模，提高了推荐模型节点的表征的能力，从而进一步提升了推荐性能。此外，通过融合更多的先验知识，基于该训练范式的推荐算法同时引入了用户-项目关系对和用户-用户关系对信息，极大地加快了模型的收敛速度，显著降低了复杂模型实际应用的难度。在Gowalla、Yelp2018和Amazon-Book等标准数据集上，本文系统分析了SPR结合各种骨干网络的推荐性能，与现有损失函数的对比实验以及消融实验结果表明了本文提出的方法在Recall、NDCG、迭代次数等指标上的优越性。