圖自編碼器推薦研究綜述*

李 方，吳國棟，涂立靜，劉玉良，查志康，李景霞

(安徽農(nóng)業(yè)大學(xué)信息與計算機(jī)學(xué)院，安徽 合肥 230036)

1 引言

隨著信息技術(shù)的發(fā)展，網(wǎng)絡(luò)上數(shù)據(jù)量呈現(xiàn)指數(shù)級增長，在給人們帶來便利的同時，也出現(xiàn)了信息過載問題。作為處理信息過載的主要方式，推薦系統(tǒng)應(yīng)運(yùn)而生，其不僅有助于解決用戶選擇難的問題，還可以發(fā)現(xiàn)用戶的潛在需求，幫助用戶做出選擇。傳統(tǒng)推薦算法主要有基于內(nèi)容的推薦算法[1]、協(xié)同過濾推薦算法[2]和混合推薦算法[3]等。這些推薦算法主要存在預(yù)測精度不高、數(shù)據(jù)稀疏、缺乏健壯性和難以泛化等問題。近年來，圖自編碼器GAE(Graph Auto-Encoder)作為圖神經(jīng)網(wǎng)絡(luò)GNN(Graph Neural Network)的重要組成部分，因其可以在圖結(jié)構(gòu)數(shù)據(jù)上進(jìn)行信息傳遞和編碼，被許多研究者應(yīng)用于推薦系統(tǒng)相關(guān)方面的研究。GAE推薦模型在圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行消息傳遞和特征提取的同時，運(yùn)用一種類似n*n的卷積核聚合鄰域節(jié)點的信息，在解碼器中不再是對普通數(shù)據(jù)進(jìn)行解碼，而是對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行解碼。GAE可以綜合運(yùn)用不同神經(jīng)網(wǎng)絡(luò)的優(yōu)點，對緩解傳統(tǒng)推薦算法在數(shù)據(jù)稀疏性、推薦精度不高、模型泛化性差和缺乏魯棒性等方面的不足，具有一定的優(yōu)勢。

圖1所示為GAE推薦模型的基本框架，其中,A為節(jié)點的鄰接矩陣，Z為學(xué)習(xí)到的節(jié)點嵌入矩陣，X為節(jié)點的特征矩陣，A′則為預(yù)測節(jié)點之間連接性得到的輸出。本文在分析GAE推薦框架的基礎(chǔ)上，根據(jù)模型中是否有監(jiān)督模塊，探討了無監(jiān)督學(xué)習(xí)GAE推薦和半監(jiān)督學(xué)習(xí)GAE推薦的相關(guān)研究，并指出了現(xiàn)有GAE推薦研究的不足和未來研究趨勢，對圖自編碼器和推薦系統(tǒng)相關(guān)研究有一定的借鑒作用。

Figure 1 GAE recommendation framework圖1 GAE推薦框架

2 圖自編碼器(GAE)

圖結(jié)構(gòu)數(shù)據(jù)包含深層次的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點信息，圖神經(jīng)網(wǎng)絡(luò)GNN可以在圖結(jié)構(gòu)數(shù)據(jù)上進(jìn)行信息傳遞、信息聚合和特征提取[4]。而GAE是源于GNN和自編碼器的一種神經(jīng)網(wǎng)絡(luò)，通過將輸入信息作為學(xué)習(xí)目標(biāo)，對輸出信息進(jìn)行表征學(xué)習(xí)或網(wǎng)絡(luò)嵌入。其優(yōu)點在于繼承了自編碼器具有無監(jiān)督和半監(jiān)督的特征，在編碼的過程中使用了聚合鄰域節(jié)點信息的思想，而解碼過程是對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行解碼。而且GAE可以融合多種神經(jīng)網(wǎng)絡(luò)的優(yōu)點對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)嵌入和圖數(shù)據(jù)的生成[5,6]，并且有著較好的性能[7]。

GAE有很多變體，根據(jù)作用和結(jié)果的不同可分為圖表示生成GAE和網(wǎng)絡(luò)嵌入GAE，根據(jù)GAE中是否引入監(jiān)督模塊，分為無監(jiān)督GAE和半監(jiān)督GAE。本節(jié)從是否引入監(jiān)督模塊的角度分析，討論了無監(jiān)督學(xué)習(xí)GAE和半監(jiān)督學(xué)習(xí)GAE。

2.1 無監(jiān)督學(xué)習(xí)GAE

GAE在圖領(lǐng)域?qū)?shù)據(jù)進(jìn)行特征提取和表示，編碼器和解碼器分別可以使用多種相同或不同的神經(jīng)網(wǎng)絡(luò)，綜合利用各種神經(jīng)網(wǎng)絡(luò)的優(yōu)點，將節(jié)點映射到潛在特征空間并從潛在表征中解碼圖結(jié)構(gòu)信息的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。與傳統(tǒng)的自編碼器[8]相比，GAE可在學(xué)習(xí)網(wǎng)絡(luò)嵌入或生成網(wǎng)絡(luò)圖的同時保留網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)信息和節(jié)點信息。相較于只能用于歐幾里德結(jié)構(gòu)的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，GAE可以處理具有結(jié)構(gòu)性節(jié)點的問題，且每個節(jié)點都是獨立進(jìn)行運(yùn)算，不會受到輸入順序的影響。

2.2 半監(jiān)督學(xué)習(xí)GAE

作為一種無監(jiān)督學(xué)習(xí)框架，GAE中沒有標(biāo)注數(shù)據(jù)點或標(biāo)注數(shù)量通常過少，不足以提取到好的特征。半監(jiān)督學(xué)習(xí)思想是在監(jiān)督學(xué)習(xí)任務(wù)和無監(jiān)督學(xué)習(xí)任務(wù)之間共享表征，這通常會帶來協(xié)同效應(yīng)，與無監(jiān)督目標(biāo)一起聯(lián)合訓(xùn)練，能讓監(jiān)督任務(wù)學(xué)習(xí)到可泛化的表征，同時監(jiān)督任務(wù)還能引導(dǎo)表征學(xué)習(xí)過程[9]。一些學(xué)者將半監(jiān)督學(xué)習(xí)和GAE融合在一起，比如引入一個結(jié)構(gòu)化的先驗分布、在潛在空間引入一個鑒別器或在解碼器中引入生成對抗網(wǎng)絡(luò)[10]等，形成半監(jiān)督學(xué)習(xí)的GAE。

3 圖自編碼器推薦相關(guān)研究

圖自編碼器推薦通常將用戶和物品的相關(guān)數(shù)據(jù)作為輸入，利用GAE模型對輸入數(shù)據(jù)進(jìn)行特征提取或者圖數(shù)據(jù)生成，并基于提取的特征或生成數(shù)據(jù)進(jìn)行推薦。無監(jiān)督學(xué)習(xí)GAE推薦主要包括輸入層、編碼層、隱藏層、解碼層和輸出層，而半監(jiān)督學(xué)習(xí)GAE推薦還包括監(jiān)督模塊，本節(jié)針對GAE推薦算法中是否具有監(jiān)督模塊進(jìn)行分類探討分析。

3.1 無監(jiān)督學(xué)習(xí)GAE推薦研究

無監(jiān)督的GAE推薦模型，利用GAE網(wǎng)絡(luò)嵌入或者圖數(shù)據(jù)生成的特點學(xué)習(xí)用戶和物品之間的隱表示，并基于這種隱表示預(yù)測用戶對物品的偏好。

3.1.1 圖網(wǎng)絡(luò)生成的GAE推薦

圖自編碼器通過將輸入的圖結(jié)構(gòu)信息作為學(xué)習(xí)目標(biāo)，對輸出圖結(jié)構(gòu)信息進(jìn)行表征學(xué)習(xí)，重新獲取節(jié)點之間的關(guān)系。

Kipf等人[11]提出了變分圖自編碼器VGAE(Variational Graph Auto-Encoder)模型,用已知的圖經(jīng)過編碼(圖卷積)學(xué)習(xí)節(jié)點向量表示的分布N，在分布中采樣得到節(jié)點的向量表示，如式(1)所示，然后進(jìn)行解碼重新構(gòu)建圖。

(1)

其中,N為圖中節(jié)點總數(shù)，μ=GCNμ(X,A)是節(jié)點向量表示的均值矩陣，μi為節(jié)點i向量表示的均值向量，Z為節(jié)點的嵌入矩陣，zi為節(jié)點i的嵌入表示，A為節(jié)點的鄰接矩陣，X為節(jié)點的特征矩陣，σ是節(jié)點向量表示的方差矩陣,lnσ=GCNσ(X,A)，σi為節(jié)點i向量表示的方差向量。

均值矩陣和方差矩陣由2層圖卷積網(wǎng)絡(luò)組成的編碼器編碼得到，如式(2)所示：

(2)

解碼器是通過計算2點之間存在邊的概率來重構(gòu)圖，如式(3)所示：

(3)

其中,Aij為A中的元素，σ(·)為sigmod激活函數(shù)。

模型損失函數(shù)如式(4)所示：

L=Eq(Z|X,A)[logp(A|Z)]-

KL[q(Z|X,A)‖p(Z)]

(4)

其中，KL[q(·)‖p(·)]為q(·)與p(·)之間的散度函數(shù)，A為節(jié)點的鄰接矩陣。式(4)中損失函數(shù)由2部分組成，第1部分是重構(gòu)誤差，第2部分為后驗概率分布p(Z|X)與預(yù)設(shè)分布p(Z)之間的KL散度的化簡形式，預(yù)設(shè)p(Z)服從標(biāo)準(zhǔn)正態(tài)分布，損失函數(shù)L作為網(wǎng)絡(luò)的最終輸出。實驗基于Cora、Citeseer和PubMed數(shù)據(jù)集，采用AUC(Area Under Curve)和AP(Average Precision)為評價指標(biāo)，與SC(Spectral Clustering)[12]和DW(DeepWalk)[13]推薦模型對比，VGAE在AUC和AP評價指標(biāo)上均取得了較好的結(jié)果。

Berg等人[14]在圖卷積矩陣填充GC-MC(Graph Convolutional Matrix Completion)中，通過對圖數(shù)據(jù)的深度挖掘，提出了基于二部圖信息傳遞的GAE推薦框架GC-MC，如圖2所示。其中，X為節(jié)點的特征矩陣，M為用戶對物品的評分矩陣，U為學(xué)習(xí)得到的用戶嵌入矩陣，V為學(xué)習(xí)得到的物品嵌入矩陣，M′則為用戶對未產(chǎn)生過交互物品的預(yù)測評分矩陣。

Figure 2 GC-MC recommendation framework圖2 GC-MC推薦框架

GC-MC將矩陣填充視為圖數(shù)據(jù)上的鏈路預(yù)測問題，篩選出的交互數(shù)據(jù)由用戶節(jié)點和物品節(jié)點之間的交互圖表示，用購買評分表示鏈接，內(nèi)容信息以節(jié)點功能的形式包含在框架中。通過圖卷積神經(jīng)網(wǎng)絡(luò)GCN(Graph Convolutional Network)聚合輸入節(jié)點的潛在特征，雙線性解碼器將這些潛在特征之間的關(guān)系進(jìn)行評分重構(gòu)。編碼器采用GCN，可以有效地利用圖數(shù)據(jù)中不同鏈接的權(quán)值共享，并為每一個邊類型分配單獨的處理通道，局部卷積作為消息傳遞的一種形式，向量消息只在圖的邊之間傳遞和轉(zhuǎn)換。如式(5)所示：

(5)

其中,accum(·)為聚合函數(shù)，Ni為用戶i購買的物品集，μ為用戶節(jié)點的特征向量，R為總評分類別數(shù)，μj→i,R表示聚合來自物品節(jié)點j的信息到用戶節(jié)點i，且物品節(jié)點j是被用戶i評為R分的物品，即j∈Ni,R。

解碼器采用的是雙線性解碼器，對二部圖中的鏈接進(jìn)行重構(gòu)，把每一個評級作為一個單獨的類，重構(gòu)評級可能產(chǎn)生的概率分布，進(jìn)行評價預(yù)測。預(yù)測方式如式(6)所示：

(6)

其中,Qr和Qs為可訓(xùn)練參數(shù)矩陣，Mij為預(yù)測的節(jié)點i對節(jié)點j的評分，r為具體評分，R為總評分矩陣， 且s∈R，Qs表示每個評分下對應(yīng)的參數(shù)，ui表示用戶i的嵌入表示，vj表示物品j的嵌入表示。實驗基于MovieLens、Flixster、Douban和YahooMusic數(shù)據(jù)集，采用RMSE(Root Mean Square Error)作為評定標(biāo)準(zhǔn)。與主流的推薦模型相比，GC-MC模型具有較好的結(jié)果，在不完整數(shù)據(jù)集上實驗時依舊表現(xiàn)出較好的成績。

Salha 等人[15]為了保持模型簡單性，在提出的圖自編碼器模型中采用了一階線性編碼器，取得了與圖卷積神經(jīng)網(wǎng)絡(luò)同等的效果。Tran等人[16]提出了一種新型的圖自編碼器結(jié)構(gòu)用于預(yù)測，否定了傳統(tǒng)機(jī)器學(xué)習(xí)中節(jié)點和邊獨立且同分布的假設(shè)，認(rèn)為圖結(jié)構(gòu)數(shù)據(jù)中節(jié)點和邊的標(biāo)簽是相互聯(lián)系的，具有復(fù)雜的關(guān)系結(jié)構(gòu)，模型疊雙堆層編碼器和雙層解碼器，并應(yīng)用了參數(shù)共享和增強(qiáng)表示學(xué)習(xí)技術(shù)。該模型的優(yōu)點在于：(1)通過定義權(quán)重因子，可處理推薦問題中的極端不平衡問題；(2)可以從稀疏圖中學(xué)習(xí)節(jié)點的潛在表達(dá)；(3)將顯性特征作為可選因子，提高預(yù)測性能；(4)運(yùn)用參數(shù)共享緩解計算復(fù)雜度，減少內(nèi)存占用。方義秋等人[17]提出了基于多重降噪自編碼器模型的Top-N推薦算法MDAE(Multiple Denoising Auto-Encoder) 。該算法引入了不同程度的噪聲，通過多重GAE對輸出結(jié)果進(jìn)行融合，提高了算法的推薦精度和魯棒性。Li等人[18]提出了用于鏈路預(yù)測的無監(jiān)督GAE的鏈路學(xué)習(xí)R-VGAE(Relational-Variational Graph Auto-Encoder) ，提高了推薦精度。Salha等人[19]受重力啟發(fā)提出了重力啟發(fā)圖自編碼器的有向鏈路預(yù)測，根據(jù)有向圖中的關(guān)系并不是相互的，而是一種非對稱的關(guān)系，將質(zhì)量和重力加速度的概念轉(zhuǎn)換為節(jié)點信息嵌入，加速度表示節(jié)點之間的鏈接，運(yùn)用圖卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，在以內(nèi)積為基礎(chǔ)的解碼器中提出了一種新的方案，從向量節(jié)點嵌入，重構(gòu)不對稱關(guān)系。Xu等人[20]提出的基于圖自編碼器的多媒體推薦模型，運(yùn)用2個圖卷積網(wǎng)絡(luò)作為編碼器，分別為用戶和物品的潛在因子建模，通過求2個潛在向量的內(nèi)積生成偏好分?jǐn)?shù)，其優(yōu)點在于把信息豐富的多媒體內(nèi)容和用戶-物品交互結(jié)合起來，作為編碼器的輸入，引入2個圖卷積神經(jīng)網(wǎng)絡(luò)，可以通過有效的端到端的隨機(jī)梯度下降，與任何相鄰的模型進(jìn)行無縫銜接。

無監(jiān)督學(xué)習(xí)GAE推薦算法在圖表示生成過程中，充分利用圖數(shù)據(jù)的隱藏信息，綜合了多種神經(jīng)網(wǎng)絡(luò)的優(yōu)點，在緩解數(shù)據(jù)稀疏性問題的同時也提高了推薦算法的精度。文獻(xiàn)[12]只考慮了消息在一階鄰域的傳遞，還不能推廣到大規(guī)模的多形式數(shù)據(jù)特征提取，模型沒有很好地平衡每個節(jié)點的權(quán)重。但是，文獻(xiàn)[16]運(yùn)用參數(shù)共享，緩解了計算復(fù)雜度和內(nèi)存占用問題；文獻(xiàn)[19]通過引入加速度概念，重構(gòu)了不對稱問題。

3.1.2 圖網(wǎng)絡(luò)嵌入的GAE推薦

將無監(jiān)督學(xué)習(xí)的圖自編碼器提取的特征用于推薦模型中的網(wǎng)絡(luò)嵌入，既保留了圖數(shù)據(jù)的完整性,又降低了數(shù)據(jù)維度。

鄭誠等人[21]提出了一種聯(lián)合注意力和自編碼器的協(xié)同過濾推薦模型——AACF(Attention Autoencoder Collaborative Filtering)，該模型將GAE作為一個子模型，用于生成用戶的全局偏好，編碼器和解碼器均采用非線性函數(shù)；另一個子模型為融合注意力機(jī)制的基于物品的協(xié)同過濾模型，用于提取用戶與物品之間的局部依賴關(guān)系，最后將2個結(jié)果融合推薦，用于緩解數(shù)據(jù)稀疏問題。文獻(xiàn)[22]中采用編碼和解碼均為多層感知機(jī)的GAE進(jìn)行網(wǎng)絡(luò)嵌入，再通過其他網(wǎng)絡(luò)進(jìn)行評分預(yù)測推薦。Mahdavi等人[23]提出動態(tài)聯(lián)合變分圖自編碼器用于學(xué)習(xí)動態(tài)網(wǎng)絡(luò)中局部結(jié)構(gòu)和時間演變，首先分配一個特定的變分圖自編碼器，學(xué)習(xí)具有時間依賴性的圖快照；引入以圖卷積神經(jīng)網(wǎng)絡(luò)為編碼器和概率解碼器的靜態(tài)變分圖自編碼器，學(xué)習(xí)每一幅圖的低維向量表示，構(gòu)成一系列連接矩陣；在訓(xùn)練過程中共享學(xué)習(xí)到的潛在變量和時間依賴性，獲取圖之間的進(jìn)化模式，提高了動態(tài)推薦的精度。

將無監(jiān)督GAE作為網(wǎng)絡(luò)嵌入的學(xué)習(xí)模塊，提高了提取潛在特征的完整性和推薦精度，但是模型的復(fù)雜度也隨之升高。

3.2 半監(jiān)督學(xué)習(xí)GAE推薦研究

為了更好地保留圖中的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點信息，在GAE中引入一個監(jiān)督模塊，使用監(jiān)督模塊對GAE提取的特征信息進(jìn)行鑒別取舍。

3.2.1 引入鑒別器的GAE推薦

Pan等人[24]提出了對抗正則化GAE ARGE(Adversarially Regularized Graph auto-Encoder)和對抗正則化VGAE ARVGE(Adversarially Regularized Variational Graph auto-Encoder)，不僅減少了重構(gòu)錯誤的圖數(shù)據(jù)，而且還加強(qiáng)了隱藏層與先驗分布的相似度，其中ARVGE的復(fù)雜度高于ARGE的。ARVGE結(jié)構(gòu)如圖3所示，模型利用圖卷積神經(jīng)網(wǎng)絡(luò)來提取圖結(jié)構(gòu)和節(jié)點內(nèi)容，對隱藏空間的圖數(shù)據(jù)進(jìn)行編碼。ARGE編碼公式如式(7)和式(8)所示：

Z(1)=fReLU(X,A|W(0))

(7)

Figure 3 Adversarially regularized variational graph auto-encoder圖3 對抗正則化VGAE模型

Z(2)=fLinear(Z(1),A|W(1))

(8)

損失函數(shù)如式(9)所示：

(9)

ARVGE編碼公式如式(10)和式(11)所示：

(10)

q(zi|X,A)=N(Zi|μi,diag(σ2))

(11)

損失函數(shù)如式(12)所示：

KL[q(Z|X,A)‖p(Z)]

(12)

ARGE和ARVGE在重構(gòu)網(wǎng)絡(luò)圖信息的解碼器中，引入鑒別器規(guī)范隱藏層，增加圖表示的魯棒性。對鑒別器訓(xùn)練的目的是辨別隱藏層是符合先驗分布還是來自GAE。鑒別器采用的是一個多層感知器，以鑒別輸入樣本是來自先驗分布還是GAE生成的，同時訓(xùn)練生成樣本，使鑒別器確信生成的樣本來自先驗數(shù)據(jù)分布。鑒別器訓(xùn)練方程如式(13)所示：

EX～p(X)[ln (1-D(g(X,A)))]

(13)

其中,D為鑒別器，G為生成器。在一個統(tǒng)一的框架下，對GAE進(jìn)行學(xué)習(xí)和正則化采取聯(lián)合優(yōu)化，使二者相互促進(jìn)，最終得到更好的圖形數(shù)據(jù)。實驗將ARGE和ARVGE模型與其他4個(DeepWalk[25]、SC[13]、GAE[11]和VGAE[11])鏈路預(yù)測模型進(jìn)行對比，采取AUC和AP做為評價標(biāo)準(zhǔn)，在數(shù)據(jù)集Cora、Citeseer、PubMed上都表現(xiàn)出較好的性能，2個模型在3個數(shù)據(jù)集上的AP和AUC分?jǐn)?shù)都高達(dá)92%；與DeepWalk和SC相比，在大型PubMed數(shù)據(jù)集上的AP與AUC的差異分別為15.5%和10.6%。

引入鑒別器的GAE推薦，通過監(jiān)督模塊與圖自編碼器共同學(xué)習(xí)潛在表示的分布，在解決了圖數(shù)據(jù)嵌入程度低問題的同時，提高了推薦模型的魯棒性。相比于無監(jiān)督學(xué)習(xí)下的GAE推薦和VGAE推薦，推薦精度得到一定程度的提高，但是訓(xùn)練過程需要較強(qiáng)的算力支持且時間較長，即模型的復(fù)雜度較高。

3.2.2 引入先驗分布的GAE推薦

Wang等人[26]為了能夠在有效捕獲高度非線性的網(wǎng)絡(luò)結(jié)構(gòu)特征的同時保持局部和全局結(jié)構(gòu)信息,提出了一種結(jié)構(gòu)化的深度嵌入方法SDNE(Structural Deep Network Embedding)。該方法首先利用一個基于多層非線性函數(shù)的一階相似性作為監(jiān)督模塊，保留局部網(wǎng)絡(luò)結(jié)構(gòu)；然后無監(jiān)督組件使用二階相似性來捕獲全局網(wǎng)絡(luò)結(jié)構(gòu)。通過半監(jiān)督深度模型的監(jiān)督，既保留了局部網(wǎng)絡(luò)結(jié)構(gòu)，又保留了全局網(wǎng)絡(luò)結(jié)構(gòu)，對稀疏網(wǎng)絡(luò)具有較強(qiáng)的魯棒性。編碼器是一個由多個非線性函數(shù)組成的多層體系結(jié)構(gòu)，多層非線性函數(shù)的組合可以將數(shù)據(jù)映射到高維非線性的潛在空間，從而能夠捕獲高維非線性網(wǎng)絡(luò)結(jié)構(gòu)。解碼器也是采用多個非線性函數(shù)的組合，將潛在空間映射到重構(gòu)空間，如式(14)所示：

k=2,…,K

(14)

損失函數(shù)如式(15)所示：

(15)

一階相似性作為監(jiān)督組件的損失函數(shù)如式(16)所示：

(16)

其中，W(k)、b(k)表示第k層網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，bi為節(jié)點i的偏置，B為bi組成的偏置矩陣，b為隱藏層偏差矩陣，yi為節(jié)點i的隱藏層表示，si,j表示節(jié)點i與節(jié)點j的連接性，N為節(jié)點數(shù)量。SDNE方法可以很好地重構(gòu)原始網(wǎng)絡(luò)，在各種網(wǎng)絡(luò)(包括非常稀疏的網(wǎng)絡(luò))上都能獲得顯著的效果。實驗采用Arxiv GR-QC作為數(shù)據(jù)集，precision作為評定標(biāo)準(zhǔn)，和5個比較流行的模型(LINE[27]、DeepWalk、Grarep[28]、Common Neihbor[29]和LE[30])進(jìn)行比較，SDNE方法具有較高的預(yù)測精度。在稀疏性問題實驗中,SDNE則表現(xiàn)出較強(qiáng)的魯棒性，當(dāng)刪除80%的鏈接時，仍然有較好的性能表現(xiàn)。

引入先驗分布的GAE推薦方法，不僅提高了推薦精度，緩解了數(shù)據(jù)的稀疏問題，而且模型還具有較強(qiáng)的魯棒性。但是，模型訓(xùn)練復(fù)雜度高，且存在可解釋性不足和冷啟動問題。

3.2.3 引入生成對抗網(wǎng)絡(luò)的GAE推薦

為了解決輸入網(wǎng)絡(luò)中采樣序列的稀疏性和模型難以泛化問題，Yu等人[31]提出了學(xué)習(xí)網(wǎng)絡(luò)表示與反正則化自編碼器NetRA(learn the Network representations with adversarially Regularized Auto-encoders)推薦模型，如圖4所示，其中Q為噪聲，服從正態(tài)分布N(0,1)。該模型通過共同考慮局部保持約束和全局重構(gòu)約束，平滑地學(xué)習(xí)正則化節(jié)點表示，可以很好地捕捉網(wǎng)絡(luò)結(jié)構(gòu)，聯(lián)合推理被封裝在一個生成對抗訓(xùn)練過程中，以規(guī)避顯式先驗分布的要求，從而具有更好的泛化性能。

Figure 4 Learn the network representations with adversarially regularized auto-encoders圖4 學(xué)習(xí)網(wǎng)絡(luò)表示與反正則化自編碼器

NetRA應(yīng)用最小網(wǎng)絡(luò)減少隱藏層損失和GAE的重構(gòu)誤差，運(yùn)用離散的長短期記憶網(wǎng)絡(luò)將輸入序列映射成固定長度的表示，同時對連續(xù)空間發(fā)生器進(jìn)行約束訓(xùn)練，使其與編碼器的分布保持一致。運(yùn)用生成式的對抗網(wǎng)絡(luò)訓(xùn)練過程作為互補(bǔ)條件，一方面，正則化可以提取有關(guān)數(shù)據(jù)的有用信息，另一方面，生成對抗訓(xùn)練提供了更魯棒的離散空間表示學(xué)習(xí)，可以很好地解決稀疏采樣的過擬合問題。監(jiān)督模塊通過比較來自GAE的潛在空間的樣本和來自生成器的假樣本進(jìn)行更新。實驗基于AUC評價指標(biāo)，在UCI、JDK、BLOG和DBLP數(shù)據(jù)集上和5個流行的模型(SC、DeepWalk、node2vec[17]、SDNE和ANE(Adversarial Network Embeedding)[32])進(jìn)行對比，在缺失一定比例的邊之后，選取相等數(shù)量的節(jié)點對之間沒有連接的節(jié)點作為負(fù)樣本，NetRA在所有數(shù)據(jù)集上的AUC評分提高了3%～32%。

文獻(xiàn)[24]中的鑒別器借鑒了對抗生成網(wǎng)絡(luò)的思想，文獻(xiàn)[31]則是引入生成對抗網(wǎng)絡(luò)的GAE推薦模型，兩者最本質(zhì)的區(qū)別是采用了不同的神經(jīng)網(wǎng)絡(luò)，后者具有較好的泛化性，不僅緩解了數(shù)據(jù)稀疏問題，還提高了模型的魯棒性和推薦精度。但是，依然存在推薦的不可解釋性和冷啟動問題，且模型訓(xùn)練復(fù)雜度高。

3.2.4 引入其他網(wǎng)絡(luò)的GAE推薦

在半監(jiān)督學(xué)習(xí)GAE推薦框架中的監(jiān)督模塊可以是鑒別器、先驗分布和生成對抗網(wǎng)絡(luò)，也可以是其他的神經(jīng)網(wǎng)絡(luò)，如注意力機(jī)制、顯性因子等。

Ma等人[33]引入注意力機(jī)制作為監(jiān)督模塊，提出了一種門控注意力-自編碼器GATE(GATEd attentive-autoencoder)模型。通過一個神經(jīng)門控結(jié)構(gòu)學(xué)習(xí)物品的潛在表示和評級，在融合表示的基礎(chǔ)上，利用物品之間的鄰近關(guān)系幫助推斷用戶的偏好。字詞級和鄰域級注意力機(jī)制作為監(jiān)督模塊。字詞級注意力學(xué)習(xí)物品的隱藏表示，同時通過分配較大的注意力權(quán)重系數(shù)，使得隱藏表示的學(xué)習(xí)傾向于信息性詞匯；鄰域級別的注意力機(jī)制通過加權(quán)方式考慮其鄰域來學(xué)習(xí)物品鄰域的隱藏表示，其優(yōu)點在于緩解了合并異構(gòu)數(shù)據(jù)難的問題，使用注意力機(jī)制輔助學(xué)習(xí)隱藏表示，來學(xué)習(xí)得到更好的物品的特征 。Yu等人[34]基于對抗圖卷積網(wǎng)絡(luò)增強(qiáng)社會推薦(Enhancing Social Recommendation with Adversarial Graph Convolutional Networks)提出了一種基于GCN的深度對抗推薦算法AGCN(Adversarial Graph Convolutional Networks)算法。使用GAE重構(gòu)節(jié)點之間關(guān)系，編碼器是疊加的GCN層，模擬節(jié)點之間的消息傳遞，獲取社交影響力，解碼器采用多層感知機(jī)輸出節(jié)點之間的新關(guān)系，監(jiān)督模塊是一個融入環(huán)境變化的注意力機(jī)制，權(quán)衡鄰居之間的貢獻(xiàn)度并選擇性地聚合信息。AGCN具有可處理多層面社會關(guān)系的優(yōu)點。Yang 等人[35]提出了一種多模態(tài)變分圖自編碼器模型，是一種單邊多解碼器框架。編碼器GCN通過固定大小的鄰域采樣，實現(xiàn)對GCN的分批訓(xùn)練，顯性因子作為標(biāo)簽用于監(jiān)督，在訓(xùn)練過程中使用同一個編碼器，用不同的解碼器進(jìn)行迭代訓(xùn)練。解碼器網(wǎng)絡(luò)由3個解碼器組成，每個解碼器模擬一個特定信號的生成過程，分別為重構(gòu)網(wǎng)絡(luò)連接、恢復(fù)邊緣屬性和恢復(fù)擴(kuò)散內(nèi)容鏈接。

在半監(jiān)督學(xué)習(xí)GAE推薦中，監(jiān)督模塊具有多樣性，比如鑒別器、生成對抗網(wǎng)絡(luò)、先驗分布、顯性因子和注意力機(jī)制。雖然推薦精度得到了提高，數(shù)據(jù)稀疏性得到了緩解,但是帶來了模型復(fù)雜度高等問題。

GAE推薦根據(jù)GAE框架的特點，提取用戶和物品的隱表示，根據(jù)隱表示進(jìn)行網(wǎng)絡(luò)嵌入或鏈接生成，從而實現(xiàn)推薦。表1列出了部分無監(jiān)督學(xué)習(xí)GAE推薦、半監(jiān)督學(xué)習(xí)GAE推薦的特點及其優(yōu)缺點。

4 圖自編碼器推薦存在的問題

GAE推薦模型雖然具有推薦精度高、數(shù)據(jù)稀疏、魯棒性強(qiáng)和可泛化性強(qiáng)等優(yōu)點，但GAE推薦仍然存在以下不足：

(1)不可解釋性。

GAE推薦模型是一種端到端的模型，將多源異構(gòu)數(shù)據(jù)處理后作為輸入，直接預(yù)測用戶對物品的評分或者偏好。如文獻(xiàn)[34]提出的AGCN模型，模型訓(xùn)練的結(jié)果是更新網(wǎng)絡(luò)節(jié)點之間的連接權(quán)重，鄰居節(jié)點之間的權(quán)重更新是根據(jù)GCN，環(huán)境節(jié)點的權(quán)重更新是根據(jù)注意力機(jī)制，推薦結(jié)果究竟源自環(huán)境還是鄰居，很難給出直接的解釋說明。

(2)用戶的冷啟動問題。

GAE推薦模型需要一定的用戶行為數(shù)據(jù)，對于新用戶，沒有行為數(shù)據(jù)，如文獻(xiàn)[26]所提出的SDNE模型，很難學(xué)習(xí)出新的節(jié)點的表示，因此難以對新用戶或新物品做出有效的個性化推薦。

(3)模型訓(xùn)練復(fù)雜度高。

參數(shù)共享可以適當(dāng)緩解訓(xùn)練復(fù)雜度高的問題[16]，但是GAE推薦模型融合了多種神經(jīng)網(wǎng)絡(luò)，編解碼可能使用不同的神經(jīng)網(wǎng)絡(luò)。如文獻(xiàn)[12]提出的GC-MC模型，只考慮了信息在一階鄰域上的傳遞，在為每一個用戶推薦時，都要在圖結(jié)構(gòu)數(shù)據(jù)上進(jìn)行全圖迭代，訓(xùn)練過程的時間復(fù)雜度較高，實時、離線推薦均有難度。除了參數(shù)共享，還可引入現(xiàn)有的一些其他方法緩解模型復(fù)雜度高的問題，如裁剪方法、稀疏正則化方法、分解方法、離散余弦變換和采用GPU計算等。

(4)難以表示多源異構(gòu)數(shù)據(jù)。

雖然有些GAE推薦模型提取和表示了多源異構(gòu)數(shù)據(jù)，如文獻(xiàn)[20]將用戶-物品交互的多媒體數(shù)據(jù)作為信息來源，提取更多、更有用的特征信息;文獻(xiàn)[34]引入注意力機(jī)制，通過加權(quán)的方式考慮其鄰域并學(xué)習(xí)鄰域的隱藏表示，適當(dāng)緩解了合并數(shù)據(jù)難的問題，但是多源異構(gòu)數(shù)據(jù)種類繁多，難以提取和表示，而實現(xiàn)對多源異構(gòu)數(shù)據(jù)的提取和表示，將有利于GAE跨領(lǐng)域推薦的研究和GAE多場景聯(lián)合推薦的研究。

5 GAE推薦未來研究方向

互聯(lián)網(wǎng)的迅速發(fā)展和數(shù)據(jù)多源異構(gòu)的演變，表示學(xué)習(xí)方法和生成模型越來越受重視，基于GAE的個性化推薦研究與應(yīng)用越來越多。未來GAE推薦的主要研究方向有：

(1)GAE推薦的可解釋性研究。

GAE推薦模型在推薦精度上具有較好的表現(xiàn)，有時還需要展示恰當(dāng)?shù)耐扑]理由告訴用戶為什么系統(tǒng)會做出這樣的推薦。提高GAE推薦模型的可解釋性可以提高用戶的滿意度和可接受度。因此，可以從數(shù)據(jù)和模型的角度去研究，提高GAE推薦模型的可解釋性。

Table 1 Advantages and disadvantages of GAE recommendations

(2)基于GAE的跨領(lǐng)域推薦。

隨著數(shù)據(jù)獲取能力的不斷提升，用戶在不同領(lǐng)域的歷史記錄或物品在不同領(lǐng)域的信息能夠被獲取。將跨領(lǐng)域信息融入到GAE推薦中，在一定程度上可緩解GAE推薦中的冷啟動問題。當(dāng)前針對跨領(lǐng)域推薦研究最主要的方法有基于協(xié)同過濾的方法[36]、基于遷移學(xué)習(xí)的方法[37]和基于張量分解的方法[38]等。但是，這些方法都只針對不同領(lǐng)域中特定類型的信息進(jìn)行融合，適應(yīng)性非常有限，未來可以將跨領(lǐng)域信息融合到GAE推薦中。未來利用GAE進(jìn)行跨領(lǐng)域推薦將是研究者研究的重點方向。

(3)將現(xiàn)有推薦方法與GAE推薦相結(jié)合。

傳統(tǒng)的推薦方法很難有效提取到用戶和物品的隱表示。在GAE推薦模型的編碼器和解碼器中，綜合應(yīng)用不同神經(jīng)網(wǎng)絡(luò)的優(yōu)點，融合廣泛的多源異構(gòu)數(shù)據(jù)，學(xué)習(xí)到更加抽象、更加稠密的用戶和物品的深層次表示，同時采用深層次神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建預(yù)測模型也能夠抓住用戶和物品之間交互的非線性結(jié)構(gòu)特征[39,40]。因此,將傳統(tǒng)的推薦方法應(yīng)用在GAE推薦中，能夠融合各自的優(yōu)勢，雖然目前已經(jīng)有相關(guān)的研究出現(xiàn)，但是該方向還是值得關(guān)注的。

(4)融入注意力機(jī)制的GAE推薦。

融入注意力機(jī)制的模型在機(jī)器視覺和自然語言處理等領(lǐng)域都取得了較大的進(jìn)展。當(dāng)前已有GAE推薦模型引入注意力機(jī)制，如文獻(xiàn)[33,34]都在模型的監(jiān)督模塊中引入注意力機(jī)制，增強(qiáng)了特征提取的準(zhǔn)確性，如重要信息的權(quán)重，避免了噪聲的干擾。在GAE推薦模型的編碼和解碼過程中引入注意力機(jī)制的研究較少，值得未來廣泛研究。

(5)融合各種類型情景的GAE推薦。

文獻(xiàn)[20]在提取用戶和物品特征時，只是融入了多媒體內(nèi)容，未來GAE推薦在推薦內(nèi)容、推薦對象等各個方面都將朝著越來越多元的方向發(fā)展[40]。將GAE推薦應(yīng)用在社交網(wǎng)絡(luò)、情景感知、單一用戶、群組用戶或融合多種情景模式中進(jìn)行推薦，也將是可推薦的研究方向。

6 結(jié)束語

隨著深度學(xué)習(xí)的發(fā)展，GAE推薦模型變得多樣化，無論是用于圖數(shù)據(jù)生成、網(wǎng)絡(luò)嵌入還是引入監(jiān)督模塊，都具有各自的優(yōu)缺點，實際運(yùn)用時需要根據(jù)不同的場景選取不同的模型，選其優(yōu)點，避開其缺陷。本文從無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的角度出發(fā)，針對當(dāng)前GAE推薦的主要研究現(xiàn)狀進(jìn)行了深入探討，分析了現(xiàn)有GAE推薦的優(yōu)點，如緩解了數(shù)據(jù)稀疏性問題、推薦精度高、魯棒性強(qiáng)、泛化性高等，指出了當(dāng)前GAE推薦存在的不足，如存在冷啟動問題、可解釋性差、模型復(fù)雜度高等問題。并展望了未來的主要研究方向，如GAE推薦的可解釋性、基于GAE的跨領(lǐng)域推薦、結(jié)合現(xiàn)有的推薦方法、融合各類場景的GAE推薦等。