融合用戶行為和評論文本的圖神經網絡推薦
2022年電子技術應用第9期
胡一帆，楊小健，秦 嶺
南京工業大學 計算機科學與技術學院，江蘇 南京210000
摘要： 現有的基于圖神經網絡的推薦算法能夠利用圖結構信息使得推薦效果得到較好的提升，但主要的圖結構都是圍繞著用戶和項目的一種交互，卻忽略了用戶的多種行為，如點擊、收藏、分享、加入購物車等都表達著用戶不同的語義；又如評論信息，可能影響著該類型物品的下一次購買意圖。為此提出一種基于用戶行為和評論信息的圖神經網絡推薦算法，算法通過圖卷積網絡學習用戶行為的強度及語義，再利用評論文本圖表示學習評論中用戶和商品的偏好，最后進行融合提升推薦效果。實驗結果表明，該算法對于推薦效果有一定的提升。
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://m.xxav2194.com/resource/share/2000004920。
作者信息：
胡一帆，楊小健，秦 嶺
(南京工業大學 計算機科學與技術學院，江蘇 南京210000)
此內容為AET網站原創，未經授權禁止轉載。