基于鄰域交互和圖神經(jīng)網(wǎng)絡(luò)的推薦模型

顏 禎,謝瑾奎,曹磊亮

(華東師范大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,上海 200333)

1 引 言

近年來,推薦系統(tǒng)引起越來越多的關(guān)注,已經(jīng)成為緩解信息過載和提升用戶體驗的重要工具.經(jīng)典的推薦方法,例如協(xié)同過濾[1],利用用戶-項目的互動記錄來計算相似度.如今,已經(jīng)發(fā)展到利用神經(jīng)網(wǎng)絡(luò)來處理復(fù)雜的異質(zhì)數(shù)據(jù),在提升推薦性能上展示出巨大的潛力.

現(xiàn)實世界的圖大多都是異質(zhì)的,圖1展示了電影異質(zhì)圖,由多種類型的實體和關(guān)系組成.異質(zhì)圖能夠建模復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),并融合節(jié)點和邊的信息,已在推薦領(lǐng)域中得到廣泛應(yīng)用.為獲取異質(zhì)圖中的豐富語義,現(xiàn)有的基于異質(zhì)圖的方法,大致分為以下兩類.

圖1 電影異質(zhì)圖Fig.1 Movie heterogeneous graphs

第1類是基于圖神經(jīng)網(wǎng)絡(luò)的方法,如HetGNN[2],通過隨機(jī)游走對鄰域采樣,然后利用圖卷積網(wǎng)絡(luò)GCN[3]聚合節(jié)點信息.這類方法在預(yù)測前將節(jié)點及其鄰域聚合為單一的嵌入,忽略了用戶-項目間豐富的交互.第2類是基于元路徑的方法,如MCRec[4],通過學(xué)習(xí)用戶與項目間元路徑的明確表示,獲取豐富的交互信息來提升推薦的性能.元路徑是連接兩個實

體的不同語義路徑.以圖1的電影異質(zhì)圖為例,元路徑用戶-電影-用戶(UMU)代表兩個用戶觀看同一部電影,元路徑電影-類型-電影(MGM)代表兩部電影是同一種類型.這類方法將用戶-項目間的元路徑聚合為單一的嵌入用于預(yù)測,忽略了用戶和項目節(jié)點本身豐富的鄰域信息,且基于元路徑的方法嚴(yán)重依賴于路徑的可達(dá)性.

異質(zhì)圖推薦中存在數(shù)據(jù)稀疏性的問題導(dǎo)致性能不佳,研究人員考慮納入社交信息[5]來緩解這些問題.社交關(guān)系理論一般假設(shè)具有社交關(guān)系的用戶有相似的偏好,因此可以作為輔助信息緩解因數(shù)據(jù)稀疏性導(dǎo)致的性能問題.

為了解決上述問題,本文提出一種基于鄰域交互和圖神經(jīng)網(wǎng)絡(luò)的推薦模型(NGRec),本模型通過融合用戶和項目及其交互信息用于推薦.本文的主要貢獻(xiàn)如下:

1)融合用戶和項目以及交互的元路徑信息實現(xiàn)三向互動.引入注意力機(jī)制聚合用戶和項目的一階鄰居得到節(jié)點信息,使用鄰域交互算法學(xué)習(xí)用戶-項目間的元路徑信息.

2)引入新的社交邊進(jìn)行數(shù)據(jù)增強(qiáng),使用圖神經(jīng)網(wǎng)絡(luò)建模用戶的社交關(guān)系,緩解數(shù)據(jù)稀疏性問題.

3)在3個異質(zhì)數(shù)據(jù)集上進(jìn)行大量實驗,證明模型NGRec的有效性.

2 相關(guān)工作

經(jīng)典的推薦算法主要分為基于內(nèi)容[6]的方法、基于協(xié)同過濾[7]的方法和混合方法[8].由于存在冷啟動問題,許多工作試圖利用額外的信息來進(jìn)行推薦,如社交信息[9],上下文信息[10]和異質(zhì)信息[11].近年來,深度學(xué)習(xí)發(fā)展迅速,深度神經(jīng)網(wǎng)絡(luò)也被用來在用戶項目交互數(shù)據(jù)中提取潛在特征[12].

作為一個新興方向,異質(zhì)圖可以自然地建模推薦系統(tǒng)中不同類型的實體以及豐富的關(guān)系.異質(zhì)圖在處理各種輔助數(shù)據(jù)時所展現(xiàn)出的靈活性,對數(shù)據(jù)挖掘具有重大意義,已廣泛應(yīng)用到推薦系統(tǒng)領(lǐng)域中.其中,大多數(shù)基于異質(zhì)圖的方法依賴于路徑的相似性[13].Yu等人[14]引入元路徑的潛在特征來表示用戶和項目間路徑的連接性.Shi等人[15]利用元路徑的用戶相似性預(yù)測用戶對項目的評分.Hu等人[4]利用基于元路徑的上下文進(jìn)行Top-N推薦.Li等人[16]提出基于路徑的深度網(wǎng)絡(luò),通過聚合用戶和項目間兩跳路徑的相關(guān)信息,預(yù)測用戶興趣.Tai等人[17]提出一個以用戶為中心的路徑網(wǎng)絡(luò),根據(jù)用戶需求搜索路徑,實現(xiàn)可解釋的推薦.然而,這些方法忽略了所要預(yù)測的用戶和項目本身豐富的信息.

另一方面,異質(zhì)圖神經(jīng)網(wǎng)絡(luò)的目標(biāo)是學(xué)習(xí)每個圖頂點的低維潛在表示,以用于下游的分析任務(wù),如分類、聚類和推薦.圖卷積神經(jīng)網(wǎng)絡(luò)GCN[3]采用局部圖卷積提取節(jié)點特征,圖注意力網(wǎng)絡(luò)GAT[18]引入多頭注意力機(jī)制進(jìn)行信息傳播,兩者都是圖神經(jīng)網(wǎng)絡(luò)的通用流行框架.Dong等人[19]基于隨機(jī)游走得到的鄰域?qū)W習(xí)異質(zhì)圖的節(jié)點表示.Fu等人[11]考慮路徑的語義性來學(xué)習(xí)節(jié)點信息.Wang等人[20]使用節(jié)點級和語義級注意力聚合鄰域特征以生成節(jié)點表示.Jin等人[21]利用元路徑引導(dǎo)的鄰域獲取節(jié)點之間的交互.Song等人[22]整合顯性和隱性的社交影響,通過GCN網(wǎng)絡(luò)來學(xué)習(xí)用戶和項目的社交嵌入.Chen等人[23]提出一個多關(guān)系模型,探索節(jié)點的高跳鄰域,學(xué)習(xí)用戶和項目以及關(guān)系的表示,來進(jìn)行多關(guān)系的預(yù)測.

3 預(yù)備知識

本文是針對隱性反饋的推薦任務(wù).考慮n個用戶U={u1,u2,…,un}和m個項目I={i1,i2,…,im},用戶隱性反饋矩陣R∈Rn×m中的每個元素ru,i定義如下:當(dāng)觀察到用戶項目有交互時,ru,i=1;否則ru,i=0.例如,用戶是否看了一部電影或為其評分.本文研究異質(zhì)圖下的推薦任務(wù),相關(guān)定義如下.

3.1 元路徑

給定一個異質(zhì)圖G=(V,E),A和R表示節(jié)點和關(guān)系的集合,構(gòu)成異質(zhì)圖中的頂點V和邊ε,其中|A|+|R|>2.在異質(zhì)圖中,兩個節(jié)點由不同的關(guān)系連接,這些路徑被稱為元路徑.元路徑可以揭示用戶項目互動的語義背景.

3.2 基于元路徑的鄰域

4 模型設(shè)計

4.1 模型概述

本文設(shè)計了一個基于鄰域交互和圖神經(jīng)網(wǎng)絡(luò)的推薦模型NGRec.與現(xiàn)有的基于異質(zhì)圖推薦模型不同,NGRec不僅學(xué)習(xí)用戶和項目的表示,同時將元路徑作為用戶和項目互動的語義背景,學(xué)習(xí)元路徑的明確表示.模型的目標(biāo)是學(xué)習(xí)用戶、元路徑、項目的三向互動,三者相互增強(qiáng),而不是只對用戶和項目的雙向互動進(jìn)行建模.圖2展示了模型的整體架構(gòu),可以看到模型包括學(xué)習(xí)用戶嵌入和項目嵌入的組件,以及學(xué)習(xí)元路徑嵌入的組件.用戶模塊通過注意力機(jī)制聚合用戶周圍的項目以及社交用戶得到用戶的最終表示,項目模塊通過聚合項目周圍的用戶得到項目的最終表示.元路徑嵌入模塊通過對用戶和項目的鄰域元路徑進(jìn)行交互運(yùn)算,并使用雙層注意力機(jī)制獲得元路徑的表示.

圖2 模型框架圖Fig.2 Model framework

4.2 用戶模塊

節(jié)點具有異質(zhì)性,為了方便模型可以處理任何類型的節(jié)點.對于不同類型的節(jié)點,如類型為φt的節(jié)點,本文設(shè)計特定的轉(zhuǎn)換矩陣Qφt,將不同類型的節(jié)點投影到統(tǒng)一的特征空間中,轉(zhuǎn)換過程如下:

(1)

其中et和e′t分別是節(jié)點t的原始特征和投影特征.

4.2.1 項目聚合

(2)

(3)

其中W1和W2表示注意力網(wǎng)絡(luò)中的權(quán)重矩陣,b1和b2表示偏置向量.最終的注意力權(quán)重由softmax函數(shù)歸一化注意力分?jǐn)?shù)得到:

(4)

4.2.2 社交聚合

根據(jù)社交關(guān)系理論,一個用戶的偏好會受其直接或間接聯(lián)系的社交朋友影響.為了緩解數(shù)據(jù)稀疏性問題,模型通過增加新的社交邊來進(jìn)行數(shù)據(jù)增強(qiáng).本文考慮兩個用戶互動的項目重合度越高,兩個用戶就越相似,為前N相似度的兩個用戶添加一條社交邊,建立新的用戶-用戶社交圖.

(5)

(6)

(7)

其中W1和W2表示兩層神經(jīng)網(wǎng)絡(luò)中的權(quán)重矩陣,b1和b2為偏置向量.

4.2.3 用戶嵌入

(8)

4.3 項目模塊

在用戶-項目圖中,聚合項目周圍的用戶以得到項目的最終表示.聚合方式類似于用戶模塊中的項目聚合,對于項目i,采樣與項目互動過的所有用戶集合C(i),聚合集合中的用戶得到項目的嵌入yi,公式如下:

yi=σ(W·{∑u∈C(i)γi,u·e′u}+b)

(9)

其中e′u表示與項目i互動的用戶嵌入,W和b表示權(quán)重矩陣和偏置向量.模型采用兩層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)項目-用戶注意力權(quán)重γi,u,考慮互動的用戶嵌入e′u和項目i的嵌入qi,注意力權(quán)重γi,u的學(xué)習(xí)過程如下:

(10)

(11)

其中W1和W2表示項目注意力網(wǎng)絡(luò)中的權(quán)重,b1和b2為偏置向量.ωi,u表示從交互用戶集C(i)學(xué)習(xí)用戶偏好時,用戶u在表征項目i時的注意力分?jǐn)?shù).通過softmax函數(shù)對ωi,u進(jìn)行歸一化得到最終的注意力權(quán)重.

4.4 基于鄰域交互的元路徑嵌入

元路徑中包含豐富的語義信息,捕捉這些豐富語義得到元路徑的表示,用來增強(qiáng)用戶和項目以實現(xiàn)用戶、元路徑、項目的三向互動.

4.4.1 鄰域采樣

一個元路徑下有多個路徑實例,為了生成高質(zhì)量的路徑實例,關(guān)鍵在于設(shè)計一種有效的隨機(jī)游走策略.給定一個異質(zhì)圖G=(V,E)和一個元路徑ρ(A1A2…Al+1),下一個節(jié)點的生成策略如下:

(12)

其中Nk為隨機(jī)游走的第k個節(jié)點,Nρv(1)表示節(jié)點v在元路徑ρ引導(dǎo)下的一階鄰域節(jié)點集合.采樣將重復(fù)如上策略,直到其達(dá)到預(yù)定義的長度.根據(jù)3.2小節(jié),不需要對源節(jié)點到目標(biāo)節(jié)點進(jìn)行顯式可達(dá)的元路徑采樣.

4.4.2 元路徑鄰域交互

模型不依賴于路徑的可達(dá)性,通過對源和目標(biāo)節(jié)點的鄰域進(jìn)行交互,得到用戶和項目間元路徑的表示.考慮到與源和目標(biāo)節(jié)點距離不同的鄰域通常對表征元路徑的貢獻(xiàn)不同,本文將元路徑引導(dǎo)的鄰域劃分成不同的距離組.如圖3所示,對于源用戶us和目標(biāo)電影mt,給定元路徑用戶-電影-類型-電影(UMTM),分別得到元路徑引導(dǎo)的源鄰域us,m1,t2,m3和目標(biāo)鄰域mt,t4,m5,u6.組0中的us和mt分別為源節(jié)點和目標(biāo)節(jié)點的0跳鄰域,組1包含源和目標(biāo)節(jié)點的0及1跳鄰域,組3包含源和目標(biāo)節(jié)點的0,1,2及3跳鄰域,組6中的m3和u6分別為源節(jié)點和目標(biāo)節(jié)點的3跳鄰域.根據(jù)距離規(guī)則將元路徑鄰域劃分成2l-1組,其中l(wèi)表示路徑長度.可以觀察到,不同組的鄰域與源節(jié)點和目標(biāo)節(jié)點的距離不同.

圖3 路徑實例的鄰域劃分Fig.3 Neighborhood division of path instance

交互操作只發(fā)生在同組鄰域中,用元素積運(yùn)算來衡量組內(nèi)的同/異質(zhì)節(jié)點間的相似度.受到卷積神經(jīng)網(wǎng)絡(luò)CNN的啟發(fā),粗略地看,卷積包含移位、乘積、求和3種運(yùn)算.為了實現(xiàn)元路徑鄰域的交互,對鄰域進(jìn)行劃分,得到不同的距離組,組內(nèi)進(jìn)行交互.源和目標(biāo)鄰域的整個交互過程也可以理解為一種卷積運(yùn)算,即移位、元素乘、求和3種運(yùn)算重復(fù)進(jìn)行,直到達(dá)到路徑的長度.如圖4所示,為了實現(xiàn)源鄰域us,m1,t2,m3和目標(biāo)鄰域mt,t4,m5,u6的交互,即完成從組0～組6的不同距離組的組內(nèi)交互,首先對目標(biāo)鄰域逆序操作得到u6,m5,t4,mt,然后依次向右移動,觀察移動過程中重合的節(jié)點.第1次重合發(fā)生在源節(jié)點us和目標(biāo)節(jié)點mt間,即組0,通過如下公式實現(xiàn)交互:

圖4 路徑實例的交互操作Fig.4 Path instance interaction operation

s(us,mt)=us⊙mt

(13)

其中⊙為元素積.后續(xù)移動過程中,包含多跳鄰域時,先通過乘積計算相似度,再求和匯總.繼續(xù)移動直到所有節(jié)點都重合時(組3),通過s(us,u6)+s(m1,m5)+s(t2,t4)+s(m3,mt)

來表示距離組3中的整個交互過程.最后的交互發(fā)生在源和目標(biāo)節(jié)點的3跳鄰居之間s(m3,u6).通過上述卷積過程得到路徑實例p下不同距離組的交互嵌入:

(14)

4.4.3 路徑實例嵌入

由于距離源和目標(biāo)節(jié)點不同的鄰域?qū)Ρ碚髟窂降呢暙I(xiàn)不同,本文引入自注意力機(jī)制學(xué)習(xí)不同距離組交互嵌入的注意力分?jǐn)?shù):

(15)

(16)

Np表示路徑實例p下所有的距離組.為所有交互加權(quán)求和得到最終的路徑實例嵌入:

(17)

其中K為注意力頭數(shù),將注意力機(jī)制擴(kuò)展到多個頭,有助于更加穩(wěn)定地學(xué)習(xí)路徑表示.

4.4.4 元路徑嵌入

為了學(xué)習(xí)元路徑的嵌入,模型使用非線性函數(shù)來轉(zhuǎn)換路徑實例的嵌入,并將轉(zhuǎn)換后的嵌入進(jìn)行平均來說明路徑實例對表征元路徑的貢獻(xiàn):

(18)

其中P表示所有的路徑實例集合,W1和W2是注意力網(wǎng)絡(luò)中可訓(xùn)練的權(quán)重,b1是偏置.最后使用路徑級的注意力機(jī)制聚合所有的路徑實例得到元路徑嵌入:

(19)

cu→i=∑p∈P(βp·cp)

(20)

4.5 融合預(yù)測層

給定源用戶u和目標(biāo)項目i,模型已經(jīng)學(xué)習(xí)到用戶嵌入xu和項目嵌入yi以及元路徑嵌入cu→i,三者相互增強(qiáng).融合層將3個嵌入拼接起來得到一個統(tǒng)一的表示:

(21)

其中⊕表示向量拼接操作.最后使用一個MLP組件,通過非線性函數(shù)來模擬復(fù)雜的交互行為:

(22)

其中MLP組件由兩個隱藏層實現(xiàn),激活函數(shù)為ReLU,輸出層使用sigmoid函數(shù).

4.6 模型訓(xùn)練

模型采用對數(shù)損失函數(shù),并使用負(fù)采樣法學(xué)習(xí)模型的參數(shù):

(23)

Y+和Y-分別為正負(fù)樣本集,y為樣本標(biāo)簽.

5 實驗設(shè)置與結(jié)果分析

本文提出的NGRec模型使用Pytorch框架實現(xiàn),所有的實驗都在一臺CPU為Intel i7-9700,顯卡為NVIDIA GTX 1650,內(nèi)存為32G的機(jī)器上運(yùn)行.

5.1 數(shù)據(jù)集

本文采用3個廣泛使用的數(shù)據(jù)集,它們來自于不同的領(lǐng)域,分別是Amazon電子商務(wù)數(shù)據(jù)集,Movielens電影數(shù)據(jù)集,Yelp商業(yè)數(shù)據(jù)集.數(shù)據(jù)集中的評分表示用戶和項目的互動記錄.3個數(shù)據(jù)集的詳細(xì)信息見表1,每個數(shù)據(jù)集的第一行表示用戶和項目及互動的數(shù)量,其他行則是對其他關(guān)系的統(tǒng)計.

表1 3個數(shù)據(jù)集統(tǒng)計信息Table 1 Statistical information on the three datasets

5.2 評價標(biāo)準(zhǔn)和指標(biāo)

為了評估推薦性能,本文對數(shù)據(jù)集進(jìn)行隨機(jī)劃分,60%的數(shù)據(jù)為訓(xùn)練集,20%的數(shù)據(jù)為驗證集,20%的數(shù)據(jù)為測試集.文中采用兩種任務(wù)來評估模型,分別是點擊率預(yù)測和Top-N推薦.在點擊率預(yù)測任務(wù)中,采用準(zhǔn)確率Acc和F1分?jǐn)?shù)來評估每個數(shù)據(jù)點的性能.在Top-N推薦任務(wù)中,采用平均精確率均值MAP@k,以及歸一化折損累計增益NDCG@k作為評價指標(biāo).最終結(jié)果是對一個用戶的所有測試項目進(jìn)行平均,再對所有用戶進(jìn)行平均.為了保證穩(wěn)定性,本文使用隨機(jī)劃分的訓(xùn)練/驗證/測試集運(yùn)行5次實驗,統(tǒng)計平均結(jié)果.

5.3 參數(shù)設(shè)置

模型使用正態(tài)分布來隨機(jī)初始化參數(shù),使用自適應(yīng)矩估計Adam進(jìn)行優(yōu)化.模型的批處理大小設(shè)置為128,正則化參數(shù)設(shè)置為0.0001,學(xué)習(xí)率λ為0.001,丟失率dropout設(shè)置為0.3,用戶和項目以及其他異質(zhì)節(jié)點的嵌入維度均設(shè)置為128,注意力頭數(shù)為3.表2展示了每個數(shù)據(jù)集選取的元路徑,采樣路徑實例的數(shù)量為16,其中元路徑的長度為4.

表2 不同數(shù)據(jù)集的元路徑Table 2 Selected meta-paths for each dataset

5.4 比較方法

本文使用了4種基線方法,包含異質(zhì)圖嵌入模型HAN和TAHIN,以及推薦模型MCRec和NIRec.

HAN[20]:提出雙層注意力的異質(zhì)圖神經(jīng)網(wǎng)絡(luò),考慮節(jié)點級和語義級重要性,聚合鄰域信息以生成節(jié)點表示.

TAHIN[24]:在源域和目標(biāo)域設(shè)計一個跨域模型,使用三層注意力聚合來獲得用戶和保險產(chǎn)品的表示.

MCRec[4]:學(xué)習(xí)豐富的元路徑上下文信息,提出共同注意力機(jī)制來提升HIN的推薦性能.

NIRec[21]:提出一種端到端的基于鄰域的交互推薦模型,利用元路徑引導(dǎo)的鄰域獲取節(jié)點對之間的交互.

5.5 實驗結(jié)果及分析

5.5.1 NGRec模型與其他基線比較

點擊率預(yù)測任務(wù)的結(jié)果如表3所示,不同數(shù)據(jù)集下的Top-N推薦任務(wù)的結(jié)果如表4～表6所示.根據(jù)實驗結(jié)果可知,本文提出的模型NGRec在3個數(shù)據(jù)集上始終優(yōu)于所有基線,表明了用戶、項目、元路徑三者互相增強(qiáng)的意義,驗證了模型NGRec的有效性.因為NGRec不僅考慮到用戶項目信息,還考慮到元路徑豐富的交互信息,提高了模型在CTR預(yù)測和Top-N推薦方面的性能.

表3 點擊率預(yù)測Table 3 CTR prediction

表4 Top-N推薦任務(wù)(Amazon)Table 4 Top-N recommended tasks(Amazon)

表5 Top-N推薦任務(wù)(Yelp)Table 5 Top-N recommended tasks(Yelp)

表6 Top-N推薦任務(wù)(Movielens)Table 6 Top-N recommended tasks(Movielens)

在4種基線中,基于元路徑鄰域的方法TAHIN,HAN以及NIRec明顯優(yōu)于MCRec,一個直觀的解釋是,MCRec的性能依賴于用戶項目間可達(dá)的高質(zhì)量元路徑,并且MCRec忽略了用戶和項目周邊豐富的低階鄰域信息.本文的模型NGRec聯(lián)合考慮低階和高階信息,通過聚合低階鄰域來獲取用戶和項目的表示,利用高階鄰域交互來獲取元路徑的表示.

在基于元路徑鄰域的3種方法中,NIRec明顯優(yōu)于HAN和TAHIN,模型NIRec對用戶和項目的鄰域進(jìn)行交互得到元路徑的信息,一個可能的解釋是NIRec利用交互模塊可以挖掘出元路徑中更多有用的隱藏信息.此外,模型HAN略遜于TAHIN,原因可能是HAN只利用元路徑的兩個末端節(jié)點,忽略了中間節(jié)點,導(dǎo)致了部分信息損失.

在所有數(shù)據(jù)集中,模型NGRec的表現(xiàn)始終最優(yōu).具體分析如下,NIRec和MCRec只考慮了用戶和項目之間的元路徑信息,忽略了用戶和項目節(jié)點本身的鄰域信息.HAN和TAHIN則相反,考慮了用戶和項目的高階鄰域,但忽略了用戶和項目之間豐富的元路徑信息.本文的模型NGRec聚合用戶和項目的低階鄰域得到節(jié)點表示,通過對用戶和項目之間的元路徑鄰域進(jìn)行交互得到元路徑信息,與之前的方法相比,NGRec可以充分挖掘有用的隱藏關(guān)系.

5.5.2 元路徑對NGRec模型的影響

這一小節(jié)主要研究不同的元路徑加入對推薦性能的影響.為了便于分析,本文在數(shù)據(jù)集Amazon和Yelp上進(jìn)行實驗,描述準(zhǔn)確率ACC和F1分?jǐn)?shù)隨著元路徑加入的變化趨勢,如圖5、圖6所示.隨著不同元路徑的加入,模型NGRec的性能不斷提升.特別是,在沒有元路徑交互到第一個元路徑加入時,性能有了明顯的提升,說明了模型納入元路徑信息的意義.同時,根據(jù)指標(biāo)的上升趨勢發(fā)現(xiàn),不同的元路徑似乎對推薦性能有不同的影響.在Amazon數(shù)據(jù)集中,加入元路徑UIUI和UIVI時,性能都有明顯的提升.類似的情況也發(fā)生在數(shù)據(jù)集Yelp中,加入元路徑UBUB時,模型有明顯的性能提升,加入元路徑UBCiB和UUUB時,性能也有較大的提升.這些發(fā)現(xiàn)表明,不同的元路徑對最終結(jié)果的貢獻(xiàn)是不同的.

圖5 不同元路徑對ACC和F1的影響(Amazon)Fig.5 Impact of different meta-paths on ACC and F1(Amazon)

圖6 不同元路徑對ACC和F1的影響(Yelp)Fig.6 Impact of different meta-paths on ACC and F1(Yelp)

5.5.3 消融實驗

表7 消融實驗Table 7 Ablation experiments

6 結(jié) 語

本文提出了一個基于鄰域交互和圖神經(jīng)網(wǎng)絡(luò)的推薦模型NGRec,并且引入新的社交邊用于數(shù)據(jù)增強(qiáng).本文模型為用戶,項目,元路徑學(xué)習(xí)有效的表示,實現(xiàn)三向互動,共同增強(qiáng).首先引入用戶模塊的項目聚合和社交聚合學(xué)習(xí)用戶的表示,引入項目模塊的用戶聚合學(xué)習(xí)項目的表示,然后通過端到端的元路徑鄰域交互學(xué)習(xí)元路徑的表示,最后融合三者信息來增強(qiáng)推薦的效果.為了更好地獲取元路徑中的豐富語義,本文設(shè)計一種雙層注意力機(jī)制,學(xué)習(xí)節(jié)點交互和路徑實例的重要性.通過在3個數(shù)據(jù)集上的實驗表明,本文提出的模型在推薦性能上具有優(yōu)勢.下一步的工作將考慮納入知識圖譜,在學(xué)習(xí)節(jié)點的基礎(chǔ)上,學(xué)習(xí)節(jié)點間豐富的關(guān)系,設(shè)計關(guān)系感知的模型,增強(qiáng)推薦過程中的可解釋性.