基于图神经网络的序列推荐

这是一篇关于序列推荐,图神经网络,多行为,会话的论文, 主要内容为与传统的协作过滤和基于内容的推荐不同,序列推荐通过对用户与项目之间顺序行为的建模,很好地捕捉到用户与项目之间的交互以及随时间变化的用户偏好。会话是对序列的更细粒度的划分,会话推荐可以更好地捕获用户的短期兴趣;图神经网络能对非欧式数据进行向量化表示,在推荐系统中,可以很好地捕获用户项目之间的关系,两者越来越受到业界广泛关注。在研读大量相关文献后,发现目前基于会话的序列推荐仍然存在以下问题:一是关注于下一项推荐的序列推荐通常只进行一次建模,不能很好地利用整个序列的信息;二是对同一用户有相同目的的多条序列,没有挖掘出序列间的关系和联系;三是大多数的序列推荐仅关注用户与项目间的单一行为,没有挖掘不同行为对于推荐的影响。对于上述问题,本文以电子商务平台为主要应用场景,重点对如下内容进行了研究:1、针对传统会话序列推荐仅使用一次建模难以同时兼顾整个序列的全面信息表达进而导致推荐准确率不高的问题,提出了一种基于会话的图神经网络序列推荐模型GNN-Bi GRU-TA。模型先将历史会话构建成有向会话图,用图神经网络学习会话图中节点信息表达,丰富节点嵌入;然后使用双向门控循环神经网络和注意力机制捕获会话序列中用户的全局和短期兴趣,最后生成推荐列表。Yoochoose、Diginetica两个公开数据集上的对比实验表明:模型提高了推荐准确率。2、为更好地利用同一用户的多条序列信息,同时也为了在模型中融入更多的信息表示,提出了一种基于用户多行为的图神经网络序列推荐模型MA-GNN-SR。通过图卷积神经网络对同一用户不同序列的项目进行聚合,挖掘不同序列间项目之间联系,丰富项目嵌入;而对于行为序列,即用户对商品进行不同操作的行为序列,则同样使用双向门控循环网络来学习,学习用户序列行为嵌入;最后,将学习得到的项目和用户行为嵌入进行拼接,通过软注意力机制生成用户偏好表达,进而进行预测推荐。京东JData公开数据集上的对比实验表明:模型性能指标有所提高。

基于知识图谱和图神经网络的推荐模型

这是一篇关于推荐系统,知识图谱,图神经网络,对比学习,多行为的论文, 主要内容为推荐系统是用户在各个领域中获取有效信息的重要手段。传统的推荐算法(例如协同过滤)主要依赖于用户和项目之间的交互数据,但是交互数据过少导致出现了严重的数据稀疏和冷启动问题。为了解决这些问题,可以引入知识图谱作为推荐的辅助信息。知识图谱不仅揭示了项目之间的关联性(例如,两部电影由同一个演员主演),还可以用来解释用户的偏好(例如,用户选择观看这部电影是因为某个演员)。已有的基于知识图谱的推荐方法不能细粒度地表示用户特征和项目特征,存在监督信号稀疏问题,使推荐的准确性出现一定程度的下降。此外大多数推荐方法只考虑用户的单一行为(如购买),而忽略了用户行为的多样性。本文主要利用图神经网络来解决现有基于知识图谱推荐方法存在的问题,主要工作和创新点包括以下三个部分:(1)提出融合知识图谱和用户意图的推荐模型。该模型首先引入注意力机制计算不同属性信息对用户偏好的影响。其次,采用异构的图神经网络来学习项目的特征。本文考虑到用户选择一个项目的意图,通过注意力机制计算用户和项目属性的关系,更细粒度地学习用户的偏好。同时,在图神经网络框架下不同层中,将每个项目实体嵌入到不同的关系属性空间,有效避免了在聚合过程中造成的语义污染。最后经过项目表示和用户表示的内积运算得到推荐结果。并分别在电影、音乐和图书领域的公共数据集上进行了相关实验,结果证明,本文提出的模型相较于其它基线模型在各指标上都有提升,提高了推荐的准确性和可解释性。(2)提出基于对比学习的推荐模型。为了解决由于用户和项目交互极度稀疏导致的监督信号稀疏问题,本文在第一部分模型的基础上,增加了对比学习模块。利用对比学习思想,首先将原始数据分为用户-项目交互视图和项目-属性的语义视图。在交互视图下利用Light-GCN学习项目的表示,之后与第一部分模型学习到的项目表示进行对比学习。以自监督的方式挖掘不同项目表示之间的差异来缓解监督信号稀疏问题。实验结果表明,增加对比学习模块后可以有效缓解监督信号稀疏问题,进一步提高了推荐性能。与最佳的基线模型相比,在各个数据集上于Recall@15和Precision@15最高提升了1.84%和2.42%。(3)提出基于用户关系的多行为推荐模型。基于对用户和用户之间具有相似偏好的假设,模型在原有用户-项目和项目-项目数据的基础上,加入用户-用户关系来进一步捕获用户特征。将项目-项目数据、不同类型行为下的用户-用户和用户-项目数据作为网络的输入,采用图注意力网络学习用户和项目的特征。然后利用门控机制融合各种类型行为下的特征,最后利用用户特征表示和项目特征表示来预测用户在目标行为下与项目交互的概率。通过在两个数据集上的实验,模型在HR@10和NDCG@10两个评价指标上的表现优于其它基线模型。

基于图神经网络的多行为推荐系统模型研究

这是一篇关于推荐系统,多行为,图卷积神经网络,高阶图结构,对比学习的论文, 主要内容为在电子商务、社会媒体等领域迅速发展的今天,推荐系统已经成为非常热门且重要的应用之一,个性化的推荐旨在根据用户的兴趣偏好为用户提供合适的项目,其相关技术也引起学术界和工业界的广泛关注。协同过滤作为构建推荐模型的范式,可以从收集到的用户历史行为数据中学习用户的兴趣偏好从而进行高效推荐。但大多数现有的协同过滤推荐方法都只关注单一类型的交互信息,忽略了用户行为的多样性,从而很难跨越不同类型的交互行为捕获到用户项目间的异构关系,同时也未考虑到用户项目之间的高阶连通性,这种高阶连通性对于编码协同信号至关重要。近年来,由于图神经网络在图结构数据上表现出优秀的处理能力而备受关注,推荐系统中的绝大部分数据本质上可以视为图结构数据。因此,本文将图神经网络技术与多行为推荐任务相结合提出两种基于图神经网络的多行为推荐模型,用于预测用户对项目的兴趣偏好进而提高推荐的准确性。本文研究内容和主要贡献如下:(1)针对大多数现有的推荐方法仅关注用户项目之间单一类型的交互信息,本文通过构造异构图来表示用户和项目间的多行为数据,并提出一种考虑多行为增强信息的加权图卷积网络推荐模型(Multi-Behavior Weighted Graph Convolutional Network,MBWGCN)。该模型首先设计了具有多行为感知的图卷积神经网络(Graph Convolutional Network,GCN)嵌入传播层,将用户、项目和连边关系联合嵌入,利用图中节点间的高阶连接,捕获多行为交互中潜在的协同信号。同时考虑到不同行为对用户的影响程度不同,设置传播权重区分不同行为的重要性。其次设置项目关联性提取模块来建模项目间的相关性从而捕获多行为语义,增强对项目嵌入的学习能力。最后联合更新后的节点和关系的嵌入表示以及交互项目间的相关性评分得到最终预测分数。本模型在两个公开数据集上进行了大量的实验,实验结果充分验证了MBWGCN模型的有效性。(2)考虑到用户的兴趣本质上是动态变化的,会受其历史序列行为的影响,因此多行为往往表现出时间依赖性。为了更精准地捕捉用户的偏好,联合MBWGCN提出了跨结构多行为对比推荐模型(Cross-Structure Multi-Behavior Contrastive Learning for Recommendation,C-MBR)。该模型同时考虑基于图的全局结构和基于序列的局部结构信息,多种结构互相补充,从不同的方面捕获用户的兴趣偏好。具体来说,在不同行为子图下,模型采用对应的编码器得到全局结构和局部结构下的用户、项目单行为嵌入表示,然后,构建多行为融合模块分别对不同结构下的单行为嵌入表示进行融合,得到全局和局部结构下的用户、项目最终表示。为了进一步提高推荐的准确性,C-MBR还包括了两个对比学习任务,分别对不同行为和不同结构(局部/全局)间的共性进行建模,以提高嵌入表示的质量,同时可以缓解数据稀疏的问题。最后通过推荐任务损失函数和对比损失函数共同优化模型。实验结果表明,C-MBR模型在两个公开的数据集上超越所有基线方法,取得了最佳的性能,验证了C-MBR模型的优越性。

融合多行为和特征增强的推荐方法研究

这是一篇关于推荐系统,多行为,图卷积网络,属性信息,注意力机制的论文, 主要内容为在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买),由于用户只交互了大量项目中的一小部分,导致数据极其稀疏。因此,仅利用单一行为的推荐模型在交互数据有限的情况下,不能很好地捕获用户偏好。但是其他类型的用户行为也可以提供非常有价值的信号,例如点击、加入购物车等。多行为推荐旨在利用多种类型的用户-项目交互数据来学习用户偏好,能够有效缓解传统推荐模型中的数据稀疏问题。针对现有多行为推荐存在的问题,本文旨在设计更准确的推荐模型,提升用户体验。本文的研究内容如下:(1)由于图卷积网络处理图数据具有明显优势,已被广泛应用于多行为推荐领域。然而图卷积过程中的特征变换和非线性激活函数不仅对推荐性能没有积极作用,反而增加了模型的训练难度。同时,在邻居聚合过程中没有区别不同邻居对目标节点的影响,不能更加准确地学习节点的嵌入表示。并且多行为推荐中忽略了每个用户不同行为的重要性。针对上述问题,本文提出了一种联合轻量图卷积网络和注意力增强的多行为推荐模型。首先利用一种轻量图卷积网络在用户-项目交互图上挖掘用户和项目之间的高阶协同信息。同时利用注意力机制计算邻居节点的权重,从而有效地区分邻居节点的不同重要性。在k-阶用户嵌入传播中计算用户不同行为的重要性,提高模型的可解释性。实验结果表明,该模型性能优于比较的基线模型。(2)上述方法只关注了用户和项目之间的交互,忽略了用户和项目的属性信息,不能更加精确地反映用户的偏好和意图。在实际的推荐场景中,存在着大量的用户和项目的属性信息,它们能够为建模用户偏好和项目特征提供额外的丰富信息。并且还忽略了交互的时间顺序,无法捕捉到用户的动态兴趣。针对上述问题,本文提出了一种融合时间和属性信息的多行为推荐模型。为了进一步挖掘用户的潜在偏好和动态兴趣,引入了用户和项目的属性信息以及交互的时间信息。在用户-项目交互图中执行时间注意力嵌入传播,同时利用时间注意力学习基于时间的邻居权重,挖掘用户动态偏好。在用户-项目-属性交互图中执行属性注意力嵌入传播,通过属性注意力计算属性的不同重要性。最后结合两部分的嵌入表示进行预测。实验结果表明,该模型性能优于比较的基线模型。

基于图神经网络的序列推荐

这是一篇关于序列推荐,图神经网络,多行为,会话的论文, 主要内容为与传统的协作过滤和基于内容的推荐不同,序列推荐通过对用户与项目之间顺序行为的建模,很好地捕捉到用户与项目之间的交互以及随时间变化的用户偏好。会话是对序列的更细粒度的划分,会话推荐可以更好地捕获用户的短期兴趣;图神经网络能对非欧式数据进行向量化表示,在推荐系统中,可以很好地捕获用户项目之间的关系,两者越来越受到业界广泛关注。在研读大量相关文献后,发现目前基于会话的序列推荐仍然存在以下问题:一是关注于下一项推荐的序列推荐通常只进行一次建模,不能很好地利用整个序列的信息;二是对同一用户有相同目的的多条序列,没有挖掘出序列间的关系和联系;三是大多数的序列推荐仅关注用户与项目间的单一行为,没有挖掘不同行为对于推荐的影响。对于上述问题,本文以电子商务平台为主要应用场景,重点对如下内容进行了研究:1、针对传统会话序列推荐仅使用一次建模难以同时兼顾整个序列的全面信息表达进而导致推荐准确率不高的问题,提出了一种基于会话的图神经网络序列推荐模型GNN-Bi GRU-TA。模型先将历史会话构建成有向会话图,用图神经网络学习会话图中节点信息表达,丰富节点嵌入;然后使用双向门控循环神经网络和注意力机制捕获会话序列中用户的全局和短期兴趣,最后生成推荐列表。Yoochoose、Diginetica两个公开数据集上的对比实验表明:模型提高了推荐准确率。2、为更好地利用同一用户的多条序列信息,同时也为了在模型中融入更多的信息表示,提出了一种基于用户多行为的图神经网络序列推荐模型MA-GNN-SR。通过图卷积神经网络对同一用户不同序列的项目进行聚合,挖掘不同序列间项目之间联系,丰富项目嵌入;而对于行为序列,即用户对商品进行不同操作的行为序列,则同样使用双向门控循环网络来学习,学习用户序列行为嵌入;最后,将学习得到的项目和用户行为嵌入进行拼接,通过软注意力机制生成用户偏好表达,进而进行预测推荐。京东JData公开数据集上的对比实验表明:模型性能指标有所提高。

基于图神经网络的序列推荐算法研究与应用

这是一篇关于推荐系统,序列推荐,图神经网络,多行为,知识图谱的论文, 主要内容为现如今,我们处于数据量快速膨胀的信息时代,信息过载非常严重。我们平常在网上接受的信息量远超我们实际的需要,大量冗余的信息严重影响了我们获取有用信息。为了缓解信息过载对人们生活造成的影响,研究人员提出了很多值得称赞的解决方案,其中被广泛应用的方案是推荐系统。现在主流的推荐方法是协同过滤和基于内容做推荐,这些推荐方法难以捕捉用户的瞬时、短暂偏好。序列推荐系统解决了这类问题,通过对用户和项目之间交互序列的建模,能够很好地捕捉到用户随时间动态变化的偏好,从而进行更精准更符合用户近期偏好的推荐。推荐系统中的大部分数据存在图结构,适用于图神经网络,而近几年图神经网络在数据学习理解能力上的优异表现,吸引了众多研究人员在推荐系统模型中加入图神经网络。这些融合图神经网络的序列推荐研究虽然在实际推荐场景中取得了出色的成绩,但是仍然存在以下不足:(1)序列建图过程中相邻节点信息聚合时项目时间信息丢失问题。(2)只对用户目的单行为项目序列建模未发掘加入用户其余行为项目序列一起建模用于推荐的效果。(3)单一使用序列信息建模忽略了项目间相似属性可增强项目表达提升推荐效果。针对这些问题,本文在现有的使用图神经网络结构的序列推荐算法研究上做了如下三个创新:(1)提出了一种基于项目与推荐时刻时间间隔建图的序列建图方法,该方法增强了序列图中节点之间的边信息,保留了原序列中项目的时间信息。(2)提出了一个基于用户多个行为项目序列建模的图神经网络序列推荐模型,该模型发掘了不同行为对项目的影响,丰富了项目的嵌入表达。(3)提出了一个基于知识图谱增强的图神经网络序列推荐模型,该模型使用知识图谱作为辅助信息加入模型捕捉了不同项目属性间的联系,缓解了推荐系统的数据稀疏问题,提升了模型的推荐效果。

基于图神经网络的序列推荐算法研究与应用

这是一篇关于推荐系统,序列推荐,图神经网络,多行为,知识图谱的论文, 主要内容为现如今,我们处于数据量快速膨胀的信息时代,信息过载非常严重。我们平常在网上接受的信息量远超我们实际的需要,大量冗余的信息严重影响了我们获取有用信息。为了缓解信息过载对人们生活造成的影响,研究人员提出了很多值得称赞的解决方案,其中被广泛应用的方案是推荐系统。现在主流的推荐方法是协同过滤和基于内容做推荐,这些推荐方法难以捕捉用户的瞬时、短暂偏好。序列推荐系统解决了这类问题,通过对用户和项目之间交互序列的建模,能够很好地捕捉到用户随时间动态变化的偏好,从而进行更精准更符合用户近期偏好的推荐。推荐系统中的大部分数据存在图结构,适用于图神经网络,而近几年图神经网络在数据学习理解能力上的优异表现,吸引了众多研究人员在推荐系统模型中加入图神经网络。这些融合图神经网络的序列推荐研究虽然在实际推荐场景中取得了出色的成绩,但是仍然存在以下不足:(1)序列建图过程中相邻节点信息聚合时项目时间信息丢失问题。(2)只对用户目的单行为项目序列建模未发掘加入用户其余行为项目序列一起建模用于推荐的效果。(3)单一使用序列信息建模忽略了项目间相似属性可增强项目表达提升推荐效果。针对这些问题,本文在现有的使用图神经网络结构的序列推荐算法研究上做了如下三个创新:(1)提出了一种基于项目与推荐时刻时间间隔建图的序列建图方法,该方法增强了序列图中节点之间的边信息,保留了原序列中项目的时间信息。(2)提出了一个基于用户多个行为项目序列建模的图神经网络序列推荐模型,该模型发掘了不同行为对项目的影响,丰富了项目的嵌入表达。(3)提出了一个基于知识图谱增强的图神经网络序列推荐模型,该模型使用知识图谱作为辅助信息加入模型捕捉了不同项目属性间的联系,缓解了推荐系统的数据稀疏问题,提升了模型的推荐效果。

基于图神经网络的多行为推荐系统模型研究

这是一篇关于推荐系统,多行为,图卷积神经网络,高阶图结构,对比学习的论文, 主要内容为在电子商务、社会媒体等领域迅速发展的今天,推荐系统已经成为非常热门且重要的应用之一,个性化的推荐旨在根据用户的兴趣偏好为用户提供合适的项目,其相关技术也引起学术界和工业界的广泛关注。协同过滤作为构建推荐模型的范式,可以从收集到的用户历史行为数据中学习用户的兴趣偏好从而进行高效推荐。但大多数现有的协同过滤推荐方法都只关注单一类型的交互信息,忽略了用户行为的多样性,从而很难跨越不同类型的交互行为捕获到用户项目间的异构关系,同时也未考虑到用户项目之间的高阶连通性,这种高阶连通性对于编码协同信号至关重要。近年来,由于图神经网络在图结构数据上表现出优秀的处理能力而备受关注,推荐系统中的绝大部分数据本质上可以视为图结构数据。因此,本文将图神经网络技术与多行为推荐任务相结合提出两种基于图神经网络的多行为推荐模型,用于预测用户对项目的兴趣偏好进而提高推荐的准确性。本文研究内容和主要贡献如下:(1)针对大多数现有的推荐方法仅关注用户项目之间单一类型的交互信息,本文通过构造异构图来表示用户和项目间的多行为数据,并提出一种考虑多行为增强信息的加权图卷积网络推荐模型(Multi-Behavior Weighted Graph Convolutional Network,MBWGCN)。该模型首先设计了具有多行为感知的图卷积神经网络(Graph Convolutional Network,GCN)嵌入传播层,将用户、项目和连边关系联合嵌入,利用图中节点间的高阶连接,捕获多行为交互中潜在的协同信号。同时考虑到不同行为对用户的影响程度不同,设置传播权重区分不同行为的重要性。其次设置项目关联性提取模块来建模项目间的相关性从而捕获多行为语义,增强对项目嵌入的学习能力。最后联合更新后的节点和关系的嵌入表示以及交互项目间的相关性评分得到最终预测分数。本模型在两个公开数据集上进行了大量的实验,实验结果充分验证了MBWGCN模型的有效性。(2)考虑到用户的兴趣本质上是动态变化的,会受其历史序列行为的影响,因此多行为往往表现出时间依赖性。为了更精准地捕捉用户的偏好,联合MBWGCN提出了跨结构多行为对比推荐模型(Cross-Structure Multi-Behavior Contrastive Learning for Recommendation,C-MBR)。该模型同时考虑基于图的全局结构和基于序列的局部结构信息,多种结构互相补充,从不同的方面捕获用户的兴趣偏好。具体来说,在不同行为子图下,模型采用对应的编码器得到全局结构和局部结构下的用户、项目单行为嵌入表示,然后,构建多行为融合模块分别对不同结构下的单行为嵌入表示进行融合,得到全局和局部结构下的用户、项目最终表示。为了进一步提高推荐的准确性,C-MBR还包括了两个对比学习任务,分别对不同行为和不同结构(局部/全局)间的共性进行建模,以提高嵌入表示的质量,同时可以缓解数据稀疏的问题。最后通过推荐任务损失函数和对比损失函数共同优化模型。实验结果表明,C-MBR模型在两个公开的数据集上超越所有基线方法,取得了最佳的性能,验证了C-MBR模型的优越性。

基于知识图谱和图神经网络的推荐模型

这是一篇关于推荐系统,知识图谱,图神经网络,对比学习,多行为的论文, 主要内容为推荐系统是用户在各个领域中获取有效信息的重要手段。传统的推荐算法(例如协同过滤)主要依赖于用户和项目之间的交互数据,但是交互数据过少导致出现了严重的数据稀疏和冷启动问题。为了解决这些问题,可以引入知识图谱作为推荐的辅助信息。知识图谱不仅揭示了项目之间的关联性(例如,两部电影由同一个演员主演),还可以用来解释用户的偏好(例如,用户选择观看这部电影是因为某个演员)。已有的基于知识图谱的推荐方法不能细粒度地表示用户特征和项目特征,存在监督信号稀疏问题,使推荐的准确性出现一定程度的下降。此外大多数推荐方法只考虑用户的单一行为(如购买),而忽略了用户行为的多样性。本文主要利用图神经网络来解决现有基于知识图谱推荐方法存在的问题,主要工作和创新点包括以下三个部分:(1)提出融合知识图谱和用户意图的推荐模型。该模型首先引入注意力机制计算不同属性信息对用户偏好的影响。其次,采用异构的图神经网络来学习项目的特征。本文考虑到用户选择一个项目的意图,通过注意力机制计算用户和项目属性的关系,更细粒度地学习用户的偏好。同时,在图神经网络框架下不同层中,将每个项目实体嵌入到不同的关系属性空间,有效避免了在聚合过程中造成的语义污染。最后经过项目表示和用户表示的内积运算得到推荐结果。并分别在电影、音乐和图书领域的公共数据集上进行了相关实验,结果证明,本文提出的模型相较于其它基线模型在各指标上都有提升,提高了推荐的准确性和可解释性。(2)提出基于对比学习的推荐模型。为了解决由于用户和项目交互极度稀疏导致的监督信号稀疏问题,本文在第一部分模型的基础上,增加了对比学习模块。利用对比学习思想,首先将原始数据分为用户-项目交互视图和项目-属性的语义视图。在交互视图下利用Light-GCN学习项目的表示,之后与第一部分模型学习到的项目表示进行对比学习。以自监督的方式挖掘不同项目表示之间的差异来缓解监督信号稀疏问题。实验结果表明,增加对比学习模块后可以有效缓解监督信号稀疏问题,进一步提高了推荐性能。与最佳的基线模型相比,在各个数据集上于Recall@15和Precision@15最高提升了1.84%和2.42%。(3)提出基于用户关系的多行为推荐模型。基于对用户和用户之间具有相似偏好的假设,模型在原有用户-项目和项目-项目数据的基础上,加入用户-用户关系来进一步捕获用户特征。将项目-项目数据、不同类型行为下的用户-用户和用户-项目数据作为网络的输入,采用图注意力网络学习用户和项目的特征。然后利用门控机制融合各种类型行为下的特征,最后利用用户特征表示和项目特征表示来预测用户在目标行为下与项目交互的概率。通过在两个数据集上的实验,模型在HR@10和NDCG@10两个评价指标上的表现优于其它基线模型。

基于知识图谱和图神经网络的推荐模型

这是一篇关于推荐系统,知识图谱,图神经网络,对比学习,多行为的论文, 主要内容为推荐系统是用户在各个领域中获取有效信息的重要手段。传统的推荐算法(例如协同过滤)主要依赖于用户和项目之间的交互数据,但是交互数据过少导致出现了严重的数据稀疏和冷启动问题。为了解决这些问题,可以引入知识图谱作为推荐的辅助信息。知识图谱不仅揭示了项目之间的关联性(例如,两部电影由同一个演员主演),还可以用来解释用户的偏好(例如,用户选择观看这部电影是因为某个演员)。已有的基于知识图谱的推荐方法不能细粒度地表示用户特征和项目特征,存在监督信号稀疏问题,使推荐的准确性出现一定程度的下降。此外大多数推荐方法只考虑用户的单一行为(如购买),而忽略了用户行为的多样性。本文主要利用图神经网络来解决现有基于知识图谱推荐方法存在的问题,主要工作和创新点包括以下三个部分:(1)提出融合知识图谱和用户意图的推荐模型。该模型首先引入注意力机制计算不同属性信息对用户偏好的影响。其次,采用异构的图神经网络来学习项目的特征。本文考虑到用户选择一个项目的意图,通过注意力机制计算用户和项目属性的关系,更细粒度地学习用户的偏好。同时,在图神经网络框架下不同层中,将每个项目实体嵌入到不同的关系属性空间,有效避免了在聚合过程中造成的语义污染。最后经过项目表示和用户表示的内积运算得到推荐结果。并分别在电影、音乐和图书领域的公共数据集上进行了相关实验,结果证明,本文提出的模型相较于其它基线模型在各指标上都有提升,提高了推荐的准确性和可解释性。(2)提出基于对比学习的推荐模型。为了解决由于用户和项目交互极度稀疏导致的监督信号稀疏问题,本文在第一部分模型的基础上,增加了对比学习模块。利用对比学习思想,首先将原始数据分为用户-项目交互视图和项目-属性的语义视图。在交互视图下利用Light-GCN学习项目的表示,之后与第一部分模型学习到的项目表示进行对比学习。以自监督的方式挖掘不同项目表示之间的差异来缓解监督信号稀疏问题。实验结果表明,增加对比学习模块后可以有效缓解监督信号稀疏问题,进一步提高了推荐性能。与最佳的基线模型相比,在各个数据集上于Recall@15和Precision@15最高提升了1.84%和2.42%。(3)提出基于用户关系的多行为推荐模型。基于对用户和用户之间具有相似偏好的假设,模型在原有用户-项目和项目-项目数据的基础上,加入用户-用户关系来进一步捕获用户特征。将项目-项目数据、不同类型行为下的用户-用户和用户-项目数据作为网络的输入,采用图注意力网络学习用户和项目的特征。然后利用门控机制融合各种类型行为下的特征,最后利用用户特征表示和项目特征表示来预测用户在目标行为下与项目交互的概率。通过在两个数据集上的实验,模型在HR@10和NDCG@10两个评价指标上的表现优于其它基线模型。