利用图神经网络的互补产品推荐

doi:10.3778/j.issn.1002-8331.2304-0222

摘要/摘要

摘要：互补产品推荐可以提供互补搭配的产品，为用户提供便利。然而现有使用图神经网络的工作忽视了产品的多模态信息，以及多模态模型在模态信息缺失时性能会受到影响。现有多模态模型只是将模态简单拼接，忽略了模态间的联系。因此，提出了一种利用图神经网络的互补产品推荐模型（使用图形神经网络（CPRUG）推荐互补产品）该模型将图神经网络与多模态信息结合，强化产品的表征；利用图注意力网络，应对多模态缺失问题，维持模型的性能，提高模型的鲁棒性；使用共同注意力机制和矩阵分解双线性池化方法来融合多模态特征，学习产品的互补关系。在亚马逊数据集上进行了实验，实验结果表明，模型的性能优于其他基线模型。

关键词: 互补产品, 图神经网络, 推荐系统, 多模态

摘要：互补产品推荐可以为用户提供互补的配套产品，方便用户使用。然而，现有的使用图神经网络的工作忽略了产品的多模态信息，当缺少模态信息时，多模态模型的性能会受到影响。此外，现有的多模态模型只是将模态串联起来，而忽略了模态之间的联系。基于这些原因，提出了一种使用图神经网络（CPRUG）模型的互补产品推荐方法。该模型将图形神经网络与多模态信息相结合，增强了产品的表示能力。然后，它使用图注意力网络来处理多模态缺席问题，保持模型的性能，提高模型的鲁棒性。最后，利用共同注意机制和矩阵分解双线性池方法融合多模态特征，学习产品之间的互补关系。在Amazon数据集上进行了实验，实验结果表明该模型优于其他基线模型。

关键词： 互补产品，图形神经网络，推荐系统，多式联运

倪伟竣, 纪淑娟, 梁永全. 利用图神经网络的互补产品推荐[J] ●●●●。计算机工程与应用, 2024, 60(10): 292-300.

倪卫军、纪淑娟、梁涌泉。基于图神经网络的互补产品推荐[J]。计算机工程与应用，2024，60（10）：292-300。

参考文献

[1] BRANCO F，SUN M，VILLAS-BOAS J M。信息太多？信息提供和搜索成本[J]。市场营销学，2016，35（4）：605-618。
[2] ZHANG M，WEI X，GUO X，et al.识别产品的互补和替代：一种基于产品嵌入的神经网络框架[J]。ACM数据知识发现汇刊，2019，13（3）：34。
[3] RAKESH V，WANG S，SHU K，et al.用于推断替代项和补充项的链接变分自动编码器[C]//第十二届ACM网络搜索和数据挖掘国际会议论文集。纽约：ACM，2019:438-446。
[4] 孙蓉，曹霞，赵毅，等.推荐系统的多模式知识图[C]//第29届ACM国际信息与知识管理会议论文集。纽约：ACM，2020年：1405-1414。
[5] 陶正，魏毅，王旭，等.推荐的多模式图形注意网络[J]。信息处理与管理，2020，57（5）：102277。
[6] 刘毅，顾毅，丁振中，等。用于推断替代项和补充项的解耦图卷积网络[C]//第29届ACM国际信息与知识管理会议论文集。纽约：ACM，2020年：2621-2628。
[7] HAO J，ZHAO T，LI J，et al.P-Companion：多元化互补产品推荐的原则框架[C]//第29届ACM信息与知识管理国际会议论文集。纽约：ACM，2020年：2517-2524。
[8] 张伟，陈Z，张华，等.基于图的序贯产品推荐中的替代关系和互补关系学习[J]。ACM信息系统汇刊，2022，40（2）：1-28。
[9] 刘杰，宋X，倪L，等.基于端到端注意的互补服装匹配神经模型[J]。ACM多媒体计算、通信和应用汇刊，2019，15（4）：114。
[10] 张毅，鲁赫，NIU W，等.质量感知神经补充项目推荐[C]//第十二届ACM推荐系统会议论文集。纽约：ACM，2018:77-85。
[11] 徐德，阮C，CHO J，等.知识软件辅助产品表示学习[C]//第13届网络搜索与数据挖掘国际会议论文集。纽约：ACM，2020年：681-689。
[12] MCAULEY J，PANDEY R，LESKOVEC J。可替代产品和互补产品的推断网络[C]//第21届ACM SIGKDD国际知识发现和数据挖掘会议论文集。纽约：ACM，2015:785-794。
[13] WAN M，WANG D，LIU J，et al.代表和推荐具有互补性、兼容性和忠诚度的购物篮[C]//第27届ACM信息与知识管理国际会议论文集。纽约：ACM，2018年：1133-1142。
[14] 王蓉，杨恩，于鹏.学习方面级意图软件互补推荐的互补性[J]。基于知识的系统，2022，258:109936。
[15] 杨忠，叶杰，王磊，等.基于动态策略网络的知识软件路径推理推理可替代产品和互补产品[J]。基于知识的系统，2022，235:107579。
[16] WU L，ZHOU Y，ZHOU D。通过逻辑推理网络实现高阶互补推荐[C]//2022年IEEE数据挖掘国际会议论文集，2022:1227-1232。
[17] BIBAS K，SAR SHALOM O，JANNACH D.补充项目推荐的半监督对抗性学习[C]//美国计算机学会网络会议记录20232023：1804-1812。
[18] BRUNA J，ZAREMBA W，SZLAM A，等.图上的谱网络和深局部连通网络[C]//第二届学习表征国际会议论文集，2014。
[19] HAMILTON W L，YING R，LESKOVEC J.大图的归纳表示学习[C]//第31届神经信息处理系统国际会议论文集。红钩：Curran Associates Inc，2017:1025-1035。
[20] 威利？科维？P、 CUCURULL G，CASANOVA A，等.图形注意网络[J]。arXiv:1710.10903，2017年。
[21]DEVLIN J，CHANG M W，LEE K，et al.BERT:用于语言理解的深层双向变换器预训练[C]//计算语言学协会北美分会2019年会议记录：人类语言技术，第1卷（长篇和短篇论文）。斯特劳斯堡：ACL，2019年：4171-4186。
[22]PETERS M E，NEUMANN M，IYYER M，et al.深层语境化词语表征[C]//计算语言学协会北美分会2018年会议论文集：人类语言技术，第1卷（长篇论文）。斯特劳德斯堡：ACL，2018年：2227-2237。
[23]RADFORD A，NARASIMHAN K。通过生成性预训练提高语言理解能力[Z]。2018
[24]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.基于深度卷积神经网络的ImageNet分类[J]。ACM通讯，2017，60（6）：84-90。
[25]王Z，江Z，任Z，等.电子商务中区分替代产品和互补产品的路径约束框架[C]//第十一届ACM网络搜索和数据挖掘国际会议论文集。纽约：ACM，2018:619-627。
[26]MCAULEY J，TARGETT C，SHI Q，等.基于图像的风格和替代品建议[C]//第38届国际ACM SIGIR信息检索研究与开发会议论文集。纽约：ACM，2015:43-52。
[27]HE R，PACKER C，MCAULEY J.异构项目建议的跨类别学习兼容性[C]//2016年IEEE第16届数据挖掘国际会议论文集，2016:937-942。
[28]AHSAN U，CUI X，WEST R，et al.使用深度多模式嵌入进行在线零售的补充建议[C]//2020 IEEE国际大数据会议论文集，2020：1774-1779。
[29]肖强，刘旭，石华.多模态互补项的多样性建议[J]。中国微型计算机系统杂志，2021，42（9）：1859-1864。