摘要: 随着图卷积神经网络(GraphConvolutionalNeuralNetworks，GCN)的不断发展，基于图卷积神经网络的推荐算法越来越引起学术界与工业界的关注，pinterest等热门应用都采用了GCN来增强它们的推荐性能。 本文主要研究如何借助图卷积神经网络对传统的推荐... 展开 随着图卷积神经网络(GraphConvolutionalNeuralNetworks，GCN)的不断发展，基于图卷积神经网络的推荐算法越来越引起学术界与工业界的关注，pinterest等热门应用都采用了GCN来增强它们的推荐性能。 本文主要研究如何借助图卷积神经网络对传统的推荐算法进行推荐性能改进，包括如下的三个子问题。 首先是在一个群体与一个社区内节点独特性的学习问题。针对这一问题，提出了基于注意力的神经协同图卷积推荐算法(AnattentionrecommendationmodelforGraphconvolution，即GCA-NR)。通过在传统的卷积算子中引入注意力权重计算模块，这样的卷积算子可以很好的捕获不同层次的图结构中存在的独特性信息。实验表明，GCA-NR推荐算法相较于其他的基线推荐算法，性能有了一定的提高，并且这样学习到的节点独特性在面对任何图结构时都能有较好的表现。 其次是在表征传播的时候，不同社区之间由于规模不平衡导致信息传播不平衡的问题。针对这一问题，提出了基于门控机制的神经协同图卷积推荐算法(NeuralCollaborativeGraphConvolutionRecommendationAlgorithmBasedonGatingMechanism，即GMGC-NR)。通过引入门控机制，使用遗忘门与更新门不断优化每次传播的信息。实验表明，GMGC-NR推荐算法相较于其他基线推荐算法，性能有了一定的提升，特别是在面对深层传播与图结构不平衡的场景中具有更好的表现。 最后是图的稀疏分量对模型性能的影响的问题。针对这一问题，提出了基于模式分解的神经协同图卷积推荐算法(NeuralCollaborativeGraphConvolutionRecommendationAlgorithmBasedonpattemDecomposition，即PDGC-NR)。通过对用户与项目的嵌入表征进行模式分解，使用不同的方式显式地建模不同模式的信息作为补充信息，实验表明，PDGC-NR推荐算法相较于其他的基线推荐算法，性能有了一定的提高，特别是面对在图结构被数据稀疏问题影响时更具鲁棒性。 收起