基于图对比学习的推荐模型研究

作     者：夏旭晨 

作者单位：烟台大学 

学位级别：硕士

导师姓名：马文明

授予年度：2024年

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

主      题：推荐系统 自监督学习 图对比学习 图神经网络 

摘      要：近几年经济的衰退造成市场的紧缩,各互联网平台需要提高平台的竞争力以抢占市场。个性化推荐系统通过向用户提供符合偏好的物品帮助提高付费转化率以及用户黏性,因此提高推荐系统的性能能够有效提高平台竞争力。目前,许多研究基于图神经网络进行推荐算法的构建,通过扩展高阶邻域,引入更丰富信息到节点表示中,相较于传统推荐算法性能有显著的提升。基于图神经网络的推荐模型能够学习图中节点之间高阶交互,从而引入更丰富的交互信息来学习用户的偏好。然而,基于图的传播性不仅扩展了信息邻域,同时也扩大了节点数据存在的噪声对于整体模型性能的影响。而另一方面,现有的推荐算法忽略了用户物品交互本身自然存在的语义性,这使得特征表达不够充分而影响推荐性能。 本文主要针对上述两个问题,对推荐算法进行优化以提高推荐算法性能从而提高平台竞争力。针对数据噪声问题,融合嵌入对齐的图对比学习模型(RWAU)通过随机游走构建子图进行对比学习在多视图下获取一致的嵌入表示从而缓解数据噪声的影响。而针对嵌入的语义表达问题,在RWAU中采用特征对齐的方式令用户与其偏好物品嵌入在特征空间中对齐靠近。而在基于社区发现的近邻图对比学习模型(CECL)中,则利用用户-项目交互图中潜在的社区信息,通过对比学习令社区内的嵌入聚拢而社区之间分散从而重构图的语义。本文的主要工作内容如下: (1)提出了融合嵌入对齐的图对比学习模型(RWAU)。该算法通过随机游走在图上为节点采样正样本,通过对比学习优化特征嵌入中的噪声,并分别通过对齐损失和均匀化损失使用户与其交互过的物品嵌入在特征空间靠近对齐而嵌入在全局上均匀分布,修正特征的同时引入更好的语义性。经过两个数据集上广泛的对比实验,实验数据表明RWAU比基线方法的推荐性能强。而通过消融实验验证了随机游走对比学习以及嵌入对齐均匀化的有效性。通过噪声对比实验,证明RWAU在噪声数据上的鲁棒性。 (2)提出了基于社区发现的近邻图对比学习模型(CECL)。该算法利用社区发现算法对用户物品二部图的节点进行社区发现,将社区中心节点作为节点的正样本,其他社区的中心作为负样本进行对比学习,优化特征嵌入的分布。经过两个数据集上大量的对比实验表明,CECL比有竞争力的图协同过滤方法NGCF性能在Recall和NDCG指标上分别提升12%和6%,同时在与较有效的对比学习方法SGL相比也分别有7%和6%的提升。通过嵌入可视化实验验证CECL基于图结构对嵌入分布的修正。 (3)设计并实现了一个基于图对比学习的推荐系统,基于CECL算法进行推荐。该系统能够基于用户的历史交互以及用户的潜在社区信息,向用户提供个性化推荐服务。