[发明专利]基于图卷积网络的两阶段协同过滤多行为推荐方法

说明书

基于图卷积网络的两阶段协同过滤多行为推荐方法，属于计算机技术领域，将多行为推荐划分成两阶段的任务,分别捕获用户的偏好以及挖掘不同行为间的联系。用户在不同行为中表现出来的偏好反映了该用户某方面的喜好,并且用户在单一行为中表现出来的偏好一定包含于用户整体偏好之中。模型通过对两阶段任务的交替学习,实现了捕获用户偏好和挖掘行为间联系的解耦,缓解了为适配不同任务而引起的信息损失问题。为了评估本技术方案所提模型的有效性,经过广泛的实验表明,本模型的性能显著优于最优基准推荐模型。与最优基准方法相比,推荐准确性在两个数据集上的平均提升分别达到了103.01％和33.87％。

技术领域

本发明属于计算机技术领域，特别涉及基于图卷积网络的两阶段协同过滤多行为推荐方法。

背景技术

个性化推荐方法,旨在利用用户与系统的交互记录来向用户推荐感兴趣的物品,从而满足用户的个性化需求。它极大地缓解了在线信息系统(例如电商平台、音乐网站等)中面临的信息过载问题。作为一种经典的个性化推荐方法,协同过滤(CollaborativeFiltering,CF)^[1-7]通过收集多个用户的协作信息(用户偏好)来预测用户的兴趣,其基本假设是同时喜欢某个物品的用户也可能喜欢其他相同的物品。协同过滤方法主要有基于矩阵分解的方法^[8,9]、与深度神经网络相结合的方法^[10,11]以及近期提出的基于图神经网络的方法^[12-15]。大多数基于CF的模型只考虑了用户单一类型行为的数据,这导致推荐系统面临了数据稀疏性的挑战,例如电商平台中的购买行为,用户购买过的物品很少(可能是几百),而系统中的物品数量则有几千万甚至上亿。因此,这种仅考虑单一行为的CF模型无法根据有限的交互数据来准确挖掘用户偏好,造成对此类用户的推荐性能下降。实际上,在用户与系统的交互过程中,除了最终的目标行为(购买)外,系统还能够获取到用户的其他行为(例如浏览、加购物车、收藏等)的记录,这些行为称为辅助行为。辅助行为的交互记录同样蕴含着丰富的用户偏好信息,并且相比于购买记录更加容易获取,因而可以用来辅助挖掘更加全面的用户偏好。为了应对数据稀疏性这一挑战,一些基于多行为的推荐方法^[16-20]相继被提出,其基本原理是通过充分地挖掘信息系统中其他比较容易获取的交互数据来更准确地捕获用户偏好。

现有的多行为推荐方法,大多是先根据用户(物品)ID得到其对应的向量表征并在多行为中共享,然后再利用不同行为的交互数据同时对向量表征进行更新,以达到捕获用户偏好的目的。例如,协同矩阵分解(Collective Matrix Factorization,CMF)模型^[21]同时对由多行为数据构造的矩阵进行分解,以训练共享的用户和物品的表征。这类工作虽然利用了多行为数据,但并没有考虑不同行为间的联系。为了挖掘更丰富的用户偏好,一些精心设计的模型^[22,23]开始探索不同行为的作用及它们之间的依赖关系。例如,基于Transformer的多路增强网络(Multiplex Augmented Transformer Network,MATN)^[22]将共享的用户向量表征投影到代表不同行为的隐空间中来挖掘不同行为表现出来的特征；基于深度神经网络的多任务推荐(Neural Multi-Task Recommendation，NMTR)^[23]通过网络从共享的用户向量表征中捕获不同行为表现出来的用户偏好,并对这些行为进行顺序建模,从而挖掘不同行为之间的依赖关系。

尽管上述这些多行为推荐工作取得了显著的进展,但仍然存在着一定的局限性:

(1)现有方法大多是通过利用多种行为的数据来直接更新共享的用户向量表征。然而在学习过程中,用户在不同行为下的交互数据量差别较大,因此最终捕获的用户偏好更容易受到具有更多交互数据行为(比如浏览行为)的影响,这种数据的不平衡问题极易降低系统对目标行为的预测能力。