融合用户行为和评论文本的图神经网络推荐
2022年电子技术应用第9期
胡一帆，杨小健，秦 岭
南京工业大学 计算机科学与技术学院，江苏 南京210000
摘要：现有的基于图神经网络的推荐算法能够利用图结构信息使得推荐效果得到较好的提升，但主要的图结构都是围绕着用户和项目的一种交互，却忽略了用户的多种行为，如点击、收藏、分享、加入购物车等都表达着用户不同的语义；又如评论信息，可能影响着该类型物品的下一次购买意图。为此提出一种基于用户行为和评论信息的图神经网络推荐算法，算法通过图卷积网络学习用户行为的强度及语义，再利用评论文本图表示学习评论中用户和商品的偏好，最后进行融合提升推荐效果。实验结果表明，该算法对于推荐效果有一定的提升。
中图分类号：TP391
文献标识码：A
DOI：10.16157/j.issn.0258-7998.212165
中文引用格式：胡一帆，杨小健，秦岭. 融合用户行为和评论文本的图神经网络推荐[J].电子技术应用，2022，48(9)：50-54.
英文引用格式：Hu Yifan，Yang Xiaojian，Qin Lin. Graph neural network recommendation combining user behavior and comment text[J]. Application of Electronic Technique，2022，48(9)：50-54.
文献标识码：A
DOI：10.16157/j.issn.0258-7998.212165
中文引用格式：胡一帆，杨小健，秦岭. 融合用户行为和评论文本的图神经网络推荐[J].电子技术应用，2022，48(9)：50-54.
英文引用格式：Hu Yifan，Yang Xiaojian，Qin Lin. Graph neural network recommendation combining user behavior and comment text[J]. Application of Electronic Technique，2022，48(9)：50-54.
Graph neural network recommendation combining user behavior and comment text
Hu Yifan，Yang Xiaojian，Qin Lin
College of Computer Science and Technology，Nanjing Tech University，Nanjing 210000，China
Abstract：The existing recommendation algorithm based on graph neural network can make use of graph structure information to improve the recommendation effect, but the main graph structure revolves around a kind of interaction between users and items, but ignores multiple behaviors of users. For example, click, bookmark, share, add to shopping cart, etc., all express different semantics of users, and comment information may affect the next purchase intention of this type of item. To this end, a graph neural network recommendation algorithm based on user behavior and comment information is proposed. The algorithm learns the strength and semantics of user behavior through the graph convolutional network, and then uses the comment text graph to represent the preferences of users and products in the learning reviews, and finally combines them to improve the recommendation effect. According to the experimental results, it is found that the algorithm can improve the recommendation effect to a certain extent.
Key words :recommended system；graph neural network；user behavior
0 引言
传统的CF模型[1-2]只针对例如电商平台的购买行为这一单一的用户行为而设计，但对于一些没有购买的新用户，就很难做到很好的推荐。例如浏览记录、分享、收藏、加入购物车等行为平台也极易获得，因此利用这些行为来辅助预测可使得推荐效果进一步提升。现有的研究[3-6]也探讨过这一方面，文献[3]假设不同的行为所代表的重要性不同，通过用一种积极行为和另一种普通行为抽样扩展BPR。文献[5-6]通过建立多任务学习的深度模型，设定了用户不同行为之间的重要程度，但此模型很简单地认为用户的辅助行为的作用就一定弱于目标行为，但有时候分享可能比购买更能反映用户的偏好。文献[7]MBGCN通过利用图神经网络从不同类型的边和图上的高阶连通性中学习，但却忽略了目标行为之后的评论内容也很大程度上展示了用户对于该项目的最终评价。
近年来对于评论信息的推荐算法主要以深度学习为主，尽管深度学习发展迅速但深度学习可能会忽视词语之间的依赖关系，图学习却可以解决上述问题。因此，本文提出了一种改进的基于图神经网络的推荐算法，对比同类的用户多种辅助行为的推荐方式同时融入用户评论对该项目的最终评价对用户进行推荐。实验结果表明，该算法对推荐效果有一定的提升。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004920。
作者信息：
胡一帆，杨小健，秦 岭
(南京工业大学 计算机科学与技术学院，江苏 南京210000)
此内容为AET网站原创，未经授权禁止转载。