融合用户行为和评论文本的图神经网络推荐
2022年电子技术应用第9期
胡一帆，杨小健，秦 岭
南京工业大学 计算机科学与技术学院，江苏 南京210000
摘要： 现有的基于图神经网络的推荐算法能够利用图结构信息使得推荐效果得到较好的提升，但主要的图结构都是围绕着用户和项目的一种交互，却忽略了用户的多种行为，如点击、收藏、分享、加入购物车等都表达着用户不同的语义；又如评论信息，可能影响着该类型物品的下一次购买意图。为此提出一种基于用户行为和评论信息的图神经网络推荐算法，算法通过图卷积网络学习用户行为的强度及语义，再利用评论文本图表示学习评论中用户和商品的偏好，最后进行融合提升推荐效果。实验结果表明，该算法对于推荐效果有一定的提升。
中圖分類號： TP391
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212165
中文引用格式： 胡一帆，楊小健，秦嶺. 融合用戶行為和評論文本的圖神經網絡推薦[J].電子技術應用，2022，48(9)：50-54.
英文引用格式： Hu Yifan，Yang Xiaojian，Qin Lin. Graph neural network recommendation combining user behavior and comment text[J]. Application of Electronic Technique，2022，48(9)：50-54.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212165
中文引用格式： 胡一帆，楊小健，秦嶺. 融合用戶行為和評論文本的圖神經網絡推薦[J].電子技術應用，2022，48(9)：50-54.
英文引用格式： Hu Yifan，Yang Xiaojian，Qin Lin. Graph neural network recommendation combining user behavior and comment text[J]. Application of Electronic Technique，2022，48(9)：50-54.
Graph neural network recommendation combining user behavior and comment text
Hu Yifan，Yang Xiaojian，Qin Lin
College of Computer Science and Technology，Nanjing Tech University，Nanjing 210000，China
Abstract： The existing recommendation algorithm based on graph neural network can make use of graph structure information to improve the recommendation effect, but the main graph structure revolves around a kind of interaction between users and items, but ignores multiple behaviors of users. For example, click, bookmark, share, add to shopping cart, etc., all express different semantics of users, and comment information may affect the next purchase intention of this type of item. To this end, a graph neural network recommendation algorithm based on user behavior and comment information is proposed. The algorithm learns the strength and semantics of user behavior through the graph convolutional network, and then uses the comment text graph to represent the preferences of users and products in the learning reviews, and finally combines them to improve the recommendation effect. According to the experimental results, it is found that the algorithm can improve the recommendation effect to a certain extent.
Key words : recommended system；graph neural network；user behavior
0 引言
傳統(tǒng)的CF模型[1-2]只針對例如電商平臺的購買行為這一單一的用戶行為而設計，但對于一些沒有購買的新用戶，就很難做到很好的推薦。例如瀏覽記錄、分享、收藏、加入購物車等行為平臺也極易獲得，因此利用這些行為來輔助預測可使得推薦效果進一步提升。現(xiàn)有的研究[3-6]也探討過這一方面，文獻[3]假設不同的行為所代表的重要性不同，通過用一種積極行為和另一種普通行為抽樣擴展BPR。文獻[5-6]通過建立多任務學習的深度模型，設定了用戶不同行為之間的重要程度，但此模型很簡單地認為用戶的輔助行為的作用就一定弱于目標行為，但有時候分享可能比購買更能反映用戶的偏好。文獻[7]MBGCN通過利用圖神經網絡從不同類型的邊和圖上的高階連通性中學習，但卻忽略了目標行為之后的評論內容也很大程度上展示了用戶對于該項目的最終評價。
近年來對于評論信息的推薦算法主要以深度學習為主，盡管深度學習發(fā)展迅速但深度學習可能會忽視詞語之間的依賴關系，圖學習卻可以解決上述問題。因此，本文提出了一種改進的基于圖神經網絡的推薦算法，對比同類的用戶多種輔助行為的推薦方式同時融入用戶評論對該項目的最終評價對用戶進行推薦。實驗結果表明，該算法對推薦效果有一定的提升。
本文詳細內容請下載：http://ihrv.cn/resource/share/2000004920。
作者信息：
胡一帆，楊小健，秦 嶺
(南京工業(yè)大學 計算機科學與技術學院，江蘇 南京210000)
此內容為AET網站原創(chuàng)，未經授權禁止轉載。