基于图神经网络的会话推荐算法研究

作     者：龚文正 

作者单位：安徽建筑大学 

学位级别：硕士

导师姓名：章曙光

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 会话推荐 图神经网络 注意力机制 对比学习 

摘      要：随着互联网的快速发展和信息的爆炸性增长,人们在面对海量的内容和选择时往往感到困惑和不知所措。在这个信息过载的时代,推荐系统成为了解决这一问题的有效工具。基于会话的推荐系统通过分析用户的历史行为和会话信息,能够更准确地理解用户的兴趣和需求,并为其提供个性化的推荐服务。其工作原理是基于用户在一段时间内的行为和交互,而不仅仅是考虑单个事件。通过分析用户的会话信息,包括点击、浏览、购买等行为,可以更好地捕捉用户的兴趣演化和行为模式,并据此进行推荐。一些研究将其看作一个行为序列,尽管现有的方法都已取得了不错的效果,但仍存在一些不足,对项目之间的转换信息利用不够充分,没有挖掘会话背后的多元数据关系,同时会话推荐的短时交互序列存在数据稀疏的问题,会对推荐精准度造成影响。 针对上述问题,本文对关于图神经网络会话推荐算法展开了研究在已有工作的基础上提出了新的模型,并在真实数据集上进行大量实验,以证明模型提出的合理性和有效性。本文主要工作如下: (1)现有的图神经网络会话推荐模型对用户的历史行为进行构图的只考虑了项目两两的交互关系,或是对会话间的一些转换关系,没有对项目之间的转换做出重要程度的区分,对现有的信息利用不够充分。本文提出了一种新的强化节点全局重要度的会话推荐算法(EGIN-SR)。该算法在全局图中利用Page Rank计算每个项目重要度,以此更加精准对项目进行表示。同时,设计一种转换感知权重聚合方式,感知不同的节点转换,来突出不同邻居对自身节点的重要性,通过注意力机制获取改进的全局图和会话图的特征信息,最后通过预测层生成推荐得分。 (2)现有的会话推荐大多只考虑项目直接的关系和会话间的关系,而没有考虑到会话背后的多元数据关系,没有挖掘项目与用户或者商品价格类型等之间的潜在关系。另外,会话推荐通常采用的短时交互序列存在数据稀疏的问题,会对推荐精准度造成影响。本文进一步提出了异构图融合对比学习的会话推荐算法(HGCL-SR),该模型通过构建一个用户-项目两层的异构图,来学习丰富的信息和复杂的转换关系的项目嵌入向量,同时捕获融入了全局重要度的全局图的转换信息,对两者的输出向量进行融合以获取融合后特征向量,最后融入对比学习解决数据稀疏问题,通过对比不同通道学习到的嵌入向量,使得数据增强。融入对比学习能够更好的捕捉用户行为的变化。异构图能够综合利用多源信息,它可以帮助推荐系统更好地理解那些交互数据较少的长尾物品,减少推荐结构同质化,增加推荐的多样性使模型得到进一步提升。 (3)在Diginetica、Tmall数据集等公开的数据集进行了大量的消融实验和对比实验,通过使用常用的推荐指标得到的实验结果,评价验证了本文提出的两个推荐模型的有效性。 图[8]表[6]参[56]