融合知识图谱和轻量级图卷积网络推荐系统的研究

马甜甜，杨长春，严鑫杰，贾音，蔡聪

（常州大学 计算机与人工智能学院,江苏 常州 213000）

随着大数据技术的快速发展，互联网的用户量和信息量规模不断扩大,海量的信息资源导致了信息过载。推荐系统是目前最有效的信息过滤的方法，已经广泛地应用在人们的日常生活中，并且在搜索引擎、电子商务、社交媒体网站以及新闻门户网站等领域都取得了不错的成果。推荐系统的核心就是通过挖掘用户和物品的特征表示来预测某用户是否对一个项目产生了交互行为，比如点击、浏览、评分购买等交互形式。协同过滤[1-5](collaborative filtering,CF)是推荐系统中最有效的方法之一，它是利用集体智慧(collective intelligence,CI)的一个典型方法，从大量的数据中挖掘出与目标用户相类似的候选用户，然后根据这些候选用户的偏好项目组成一个目录推荐给目标用户。因此，协同过滤仍然是实现有效的个性化推荐[6-8]的一项基础任务。一个常见的协同过滤的范例是将学习到用户和项目的潜在特征表示向量，基于二者的表示向量进行预测，一些代表性模型有：因子分解机（factorization machines,FM）[9]，宽广型网络（wide &deep learning for recommender systems,Wide&Deep）[10]，神经因子分解机（neural factorization machines,NFM）[11]，深度因子分解机（a factorization-machine based neural network for CTR prediction,DeepFM）[12]等。尽管协同过滤方法具有有效性和通用性，但是它无法对项目的属性等相关信息、用户的配置文件以及上下文信息进行建模。近年来，图卷积网络(graph convolutional network,GCN)[13]由于具有在图结构数据上强大的特征提取能力，成为当前推荐系统中的研究热点。在现实生活中，周围的数据都是一些非结构化的数据，传统的神经网络结构并不能有效地从这种图结构数据中提取特征。……