摘要: 图卷积网络（GraphConvolutionalNetwork,GCN）已经成为图神经网络（GraphNeuralNetwork,GNN）领域中一个重要的技术。GCN使用卷积操作来处理图结构数据，从而能够学习节点和边的特征表示，除了在学术研究中的应用外，也在实际应用中例如社交网络分析... 展开 图卷积网络（GraphConvolutionalNetwork,GCN）已经成为图神经网络（GraphNeuralNetwork,GNN）领域中一个重要的技术。GCN使用卷积操作来处理图结构数据，从而能够学习节点和边的特征表示，除了在学术研究中的应用外，也在实际应用中例如社交网络分析、推荐系统、化学分子分析等领域取得了很好的效果。而通过使用知识图谱（KnowledgeGraph,KG）可以为推荐系统提供更全面的信息，使得推荐系统能够更好地理解用户和项目之间的关系。通过利用知识图谱和图卷积神经网络，可以有效地提升传统的推荐算法的效率，具体而言，本文将解决以下三个关键问题。 首先，针对如何利用知识图谱丰富实体的嵌入表示并且在GCN上进行消息传递，以及学习多层邻域表示之后如何进行实体嵌入聚合的问题，本文提出了基于知识图谱和双向交互图卷积网络的推荐算法（RecommendationAlgorithmbasedonKnowledgeGraphandBidirectionalInteractionGraphConvolutionalNetwork,KBGCN)，通过在知识图上的深度传播，利用知识感知的注意机制来区分不同视图的邻域贡献，并且采用双向交互聚合器成功聚合不同邻域，捕获了项目基于知识的高阶交互信息，提高了推荐性能。 其次，针对GCN网络设计沉重、算法复杂度高、模型训练困难以及在深层图卷积下的过拟合问题，本文提出了基于DropEdge和轻量级图卷积网络的推荐算法(RecommendationAlgorithmsbasedonDropEdgeandLightGraphConvolutionalNetworks,DLGCN)，在LightGCN中加入DropEdge以丰富输入，减少消息传递，并使用加权平均聚合函数得到最终表示，缓解了深度网络算法带来的过平滑问题，提高了精度、召回率和NDCG，增强了推荐算法的可解释性。 最后，针对基于传播的推荐方法中通常忽略多跳波纹集中实体之间的复杂关系并且没有区分用户节点和其他实体节点，不能在用户-项目交互时充分利用协作信号的问题，本文提出了基于协作知识传播图注意力网络的推荐算法(RecommendationAlgorithmsbasedonCollaborativeKnowledgePropagationGraphATtentionNetworks,CKPAT)，可以区分用户或项目的不同多跳波纹集的重要程度，采用注意力聚合器对波纹集嵌入、用户/项目初始实体集嵌入以及项目的原始表示进行加权聚合，从而为Top-N推荐生成更加精细的嵌入表示。 收起