基于图神经网络融合特征信息的协同过滤方法研究.pdf

摘要

在推荐系统中，基于协同过滤的方法，因其能够通过汇集大量用户的喜好和

偏好信息，准确地预测用户的兴趣，因此成为最受欢迎和广泛采用的推荐技术之

一。近些年随着深度学习在推荐系统领域的应用，预测的精度也有了飞速的提升，

但是还是存在着难以解决的问题：在基于深度学习的协同过滤方法中特征交互对

于提高推荐精度有着不可替代的作用，用户特征和项目特征对推荐系统来说是重

要的信息，它们之间的交互，显著的提高了推荐的准确率。现有的模型把交互的

类型分为内部交互和交叉交互，但是它没考虑交叉交互中信息的不同重要性。同

时，它也没有捕获具有高阶交互的特征之间更复杂的依赖关系。随着用户数量以

及项目数量的增加，数据变得更加的稀疏，协同过滤算法无法避免这个问题。当

用户和项目的交互信息不足时就会出现冷启动的问题，现有方法依赖于固定的用

户项潜在值表示，这限制了模型正确识别实际的潜在向量的能力，会导致预测的

误差。针对上述问题，本文的主要研究内容包括：

（1）本文提出了基于自注意力机制和特征融合的协同过滤模型

（CollaborativeFilteringbasedonSelf-AttentionMechanismandFeatureFusion，

CF-SAFF），显式地使用内部交互进行用户和物品特征学习，并使用自注意力机

制为交叉交互信息分配不同的权重，表示交互节点信息的不同重要性，从而对推

荐进行偏好匹配。同时，利用内部交互信息和交叉交互信息的融合操作来发现高

阶特征组合信息，提高了模型的预测精度和泛化能力。该模型使用MovieLens1M，

Book-Crossing和Taobao数据集进行了对比试验，结果表明该模型在所有性能指

标上都取得了较好的结果。

（2）本文在CF-SAFF的基础上，提出结合元数据的改进型推荐算法，名为

融合元数据信息的协同过滤模型（FusionofMetadataInformationCollaborative

Filtering，FMICF）。使用用户人口统计数据和项目类型作为元数据信息，将元

数据信息模块（Meta）的输出和CF-SAFF的输出进行信息融合并输入到神经网

络进行评级预测，元数据信息能够更好地学习用户-项目交互，从而缓解冷启动

问题。为了证明所提出模型的有效性，使用两个评价指标，均方根误差（RMSE）

和平均绝对误差（MAE）。模型在MovieLens和AmazonMovies上进行了实验，

融合元数据（Meta）的模型使得RMSE指标降低了12.880%，MAE指标降低了

16.103%，实验结果显示出元数据信息模块的重要性。

关键词：协同过滤算法，自注意力机制，高阶交互，元数据信息，信息融合，图

神经网络

Abstract

Inrecommendationsystems,methodsbasedoncollaborativefilteringhave

becomeoneofthemostpopularandwidelyadoptedrecommendationtechnologies

becauseoftheirabilitytoaccuratelypredictusersinterestsbygatheringalarge

numberofuserspreferencesandpreferences.Inrecentyears,withtheapplicationof

deeplearninginthefieldofrecommendationsystems,theaccuracyofpredictionhas

alsoimprovedrapidly,buttherearestillproblemsthataredifficulttosolve:inthe

collaborativefilteringmethod,featureinteractionplaysanirreplaceablerolein

improvingrecommendationac