基于邻域采样的多任务图推荐算法

doi:10.3778/j.issn.1002-8331.2308-0212

摘要/摘要

摘要：近年来，图神经网络（GNN）成为解决协同过滤的主流方法之一。它通过构建用户-物品图，模拟用户与物品的交互关系，并用GNN（全球导航号码）学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展，但如何在图结构上更有效地进行负采样仍未有效解决。为此，提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN（全球导航号码）的邻域采样策略，该策略以每个用户为中心构建子图，将次高阶物品作为用户邻域采样的负样本，可以更有效地挖掘强负样本并提高采样质量。通过GNN（全球导航号码）对图结点进行信息聚合与特征提取，得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本，以有效减少采样过程中的噪声数据。同时，该算法引入了多任务策略对模型进行联合优化，以增强模型的泛化能力。在三个公开数据集上进行的大量实验表明，该算法在大多数情况下明显优于其他主流算法。

关键词: 图神经网络, 协同过滤, 负采样, 在S形符中，余弦边际损失, 多任务策略

摘要：近年来，图神经网络（GNN）已成为协同过滤的主流方法。它构建用户-项目图来模拟交互，并利用GNN学习其特征。尽管在模型结构方面取得了重大进展，但对图结构进行有效的负采样仍然具有挑战性。为了解决这个问题，提出了一种基于邻域抽样的多任务图推荐算法。首先，该算法引入了基于GNN的邻域采样策略，将每个子图围绕单个用户进行中心化，并使用高阶项作为负样本进行用户邻域采样。这种方法有效地探索了强烈的负面情况，并提高了抽样质量。其次，利用GNN对图节点进行信息聚合和特征提取，得到最终的节点嵌入。最后，设计余弦裕度损失来过滤冗余的负样本，有效地降低了采样过程中的噪声。此外，该算法采用多任务策略联合优化模型，增强了模型的泛化能力。在三个公共数据集上进行的大量实验表明，该算法在大多数情况下都优于其他主流方法。

关键词： 图形神经网络（GNN），协同过滤，负采样，邻里抽样，余弦裕度损失，多任务策略

张俊三, 肖森, 高慧, 邵明文, 张培颖, 朱杰. 基于邻域采样的多任务图推荐算法[J] ●●●●。计算机工程与应用, 2024, 60(9): 172-180.

张俊三、肖森、高慧、邵明文、张培英、朱洁。基于邻域抽样的多任务图推荐算法[J]。计算机工程与应用，2024,60（9）：172-180。

参考文献

[1] 黄建堂，夏玛A，孙S，等.基于嵌入的检索在脸书搜索中的应用[C]//第26届ACM SIGKDD知识发现与数据挖掘国际会议论文集，2020：2553-2561。
[2] KOREN Y，BELL R，VOLINSKY C.推荐系统的矩阵分解技术[J]。计算机，2009，42（8）：30-37。
[3] 马赫，杨浩，LYU M R，等.Sorec:使用概率矩阵分解的社会推荐[C]//第17届ACM信息与知识管理会议论文集，2008:931-940。
[4] HE X，LIAO L，ZHANG H，et al.神经协作过滤[C]//第26届国际万维网大会论文集，2017:173-182。
[5] BERG R，KIPF T N，WELLING M.图卷积矩阵补全[J]。arXiv:1706.022632017年。
[6] WANG X，HE X，WANG M，et al.神经图协同过滤[C]//第42届国际ACM SIGIR信息检索研究与发展会议论文集，2019：165-174。
[7] 何X，邓K，王X，等.LightGCN:简化和增强图卷积网络的建议[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020：639-648。
[8] CASELLES-DUPRéH，LESAINT F，ROYO-LETELIER J.Word2vec应用于推荐：超参数问题[C]//第十二届ACM推荐系统会议记录，2018年：352-356。
[9] CAI T T、FRANKLE J、SCHWAB D J等。对比实例歧视中产生的所有否定词是否相等？[J] ●●●●。arXiv:2010.06682020年。
[10] WU Z，PAN S，CHEN F，等.图神经网络的综合研究[J]。IEEE神经网络和学习系统汇刊，2020，32（1）：4-24。
[11] 潘隆明，谢永X，冯永生，等.生成深层疑问句的语义图[J]。arXiv:2004.127042020年。
[12] 高C，郑毅，李恩，等.推荐系统中的图神经网络研究综述：挑战、方法和方向[J]。ACM推荐系统交易，2023，1（1）：1-51。
[13] 刘鑫, 梅红岩, 王嘉豪, 等. 图神经网络推荐方法研究[J] ●●●●。计算机工程与应用, 2022, 58(10): 41-49.
刘霞，梅海英，王建华，等.图神经网络推荐方法研究[J]。计算机工程与应用，2022，58（10）：41-49。
[14] 毛克，朱军，肖晓霞，等.UltraGCN:建议的图卷积网络的超简化[C]//第30届ACM国际信息与知识管理会议论文集，2021:1253-1262。
[15] 刘凤，程Z，朱莉，等.推荐的兴趣软件消息传递GCN[C]//网络会议论文集，2021:1296-1305。
[16] 黄C，徐赫，徐勇，等.面向社会推荐的知识软件耦合图神经网络[C]//美国人工智能学会人工智能会议论文集，2021:4115-4122。
[17] 雷德勒·S，弗里登塔尔·C，甘特纳·Z，等.基于隐式反馈的贝叶斯个性化排序[J]。arXiv:1205.26182012年。
[18] 毛克，朱洁，王杰，等.SimpleX：协作过滤的简单而有力的基线[C]//第30届ACM信息与知识管理国际会议论文集，2021:1243-1252。
[19] 杨泽，丁明，邹X，等.基于图形的推荐中的区域或全局负抽样原则[J]。IEEE知识与数据工程汇刊，2023，35（6）：6264-6277。
[20] 丁杰，权毅，姚清，等.隐式协同过滤中负抽样的简化与稳健化[C]//第34届神经信息处理系统国际会议论文集，2020：1094-1105。
[21]黄涛，董毅，丁明，等.MixGCF:一种改进的基于图神经网络的推荐系统训练方法[C]//第27届ACM SIGKDD知识发现与数据挖掘会议论文集，2021:665-674。
[22]LINDEN G，SMITH B，YORK J.亚马逊。com推荐：逐项协同过滤[J]。IEEE互联网计算，2003，7（1）：76-80。
[23]KIPF T N，WELLING M.图卷积网络半监督分类[J]。arXiv:1609.029072016年。
[24]徐坤，李聪，田毅，等.基于跳跃知识网络的图的表示学习[C]//国际机器学习会议，2018:5453-5462。
[25]ANAGNOSTOPOULOS A，KUMAR R，MAHDIAN M.社交网络中的影响和相关性[C]//第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集，2008:7-15。
[26]SHARMA K，LEE Y C，NAMBI S，等.社会推荐系统中的图神经网络综述[J]。arXiv:2212.044812022年。
[27]HE R，MCAULEY J.《起起落落：用一级协同过滤模拟时尚趋势的视觉演变》[C]//《第25届万维网国际会议论文集》，2016:507-517。
[28]HE R，MCAULEY J.VBPR：来自隐式反馈的视觉贝叶斯个性化排名[C]//AAAI人工智能会议论文集，2016。
[29]王X，金H，张A，等.解纠缠图协同过滤[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020：1001-1010。
[30]BUDHIRAJA A.重新访问SVD，为推荐系统生成强大的节点嵌入[J]。arXiv:2110。
03665, 2021.
[31]范伟，刘X，金伟，等.建议的图形趋势过滤网络[C]//第45届国际ACM SIGIR信息检索研究与开发会议论文集，2022:112-121。
[32]KINGMA D P，BA J.Adam：一种随机优化方法[J]。arXiv:1412.69802014年。