基于GNN的矩阵分解推荐算法

王英博，孙永荻

1.辽宁工程技术大学 创新实践学院，辽宁 阜新 123000

2.辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105

在信息爆炸的时代，推荐系统因其在缓解信息过载上的特殊能力受到越来越多的关注，被电子商务、在线新闻、社交媒体网站等众多在线服务机构广泛采用[1]。推荐系统利用用户和项目之间的交互信息来深入挖掘用户的行为偏好，从而预测用户的兴趣偏好，并向需要该项目的特定用户推荐最合适的项目，这类方法被称为协同过滤[2-3]。在众多协同过滤推荐算法中，矩阵分解（MF）[4-5]已成为最受欢迎的推荐算法之一，并引起了广泛关注。它主要是将用户和项目嵌入到一个共享的潜在空间中，将用户和项目用特征潜在向量表示。之后，用户和项目之间的交互被建模为其潜在特征向量的内积。受Netflix奖的影响，MF 已经成为潜在因素模型推荐的实际方法。许多研究工作致力于改进MF，SoRec[6]提出了一种协因子分解方法，该方法通过评分和社会关系来共享一个共同的潜在用户特征矩阵。SocialMF[7]通过分解社会信任网络，将用户映射到两个低维空间：信任者空间和受托者空间。近年来，深度神经网络模型对学习各个领域的有效特征表示产生了很大的影响，如语音识别、计算机视觉（Computer Vision，CV）和自然语言处理（Natural Language Processing，NLP）。最近的一些研究已经将深度神经网络应用于推荐任务，并取得了令人满意的结果[8-9]，但大多数研究都使用深度神经网络来建模音乐的音频特征，项目的文本描述，以及图像的视觉内容。……