Page 409 - 《软件学报》2024年第6期

钱忠胜 等: 融合自适应周期与兴趣量因子的轻量级 GCN 推荐 2985

节点已有了较为明确的分类, 且其初始嵌入表示含义也较为明显, 无需再对特征进行提取, 而仅需使用 GCN 框架
中的邻域聚合功能. 因此, 为降低模型的复杂度, 我们借鉴了文献 [4] 提出的轻量级 GCN 来设计推荐框架.
本文模型的 GCN 项目个体推荐模块的总体结构如图 6 所示, 初始输入为用户-类型-项目三元图结构组成的
嵌入表示, 输出为预测值 (即, 用户对项目的偏好得分). 该 GCN 项目个体推荐模块由嵌入层 (生成并初始化用户与
项目的嵌入)、图传播层 (在多层传播中优化嵌入) 及预测层 (精化嵌入并输出预测值) 组成.

预测值
(1) (2) (3) (3) (2) (1)
e u e u e u e i e i e i
预测层

用 图 传 播 层 项
户 目
嵌 嵌
入 入
的用户嵌入, 在关系扩散过程结束后输出用户的更新嵌入.
传 传
播 嵌入层 播
(0) (0)
e u e i
图 6 项目个体推荐模块

● 嵌入层. 与一些基于嵌入式的推荐模型 [3,26] 相似, 模型 LG_APIF 的 GCN 模块同样设定初始的自由嵌入, 给
定用户和项目的索引, 从用户自由嵌入矩阵 P 和项目自由嵌入矩阵 Q 中输出自由用户潜向量 p u 和自由项目潜向
量 q i . 直观地说, 浏览的项目被视为该用户的特征, 并用来衡量两个用户的相似度; 同理, 消费一个物品的用户可被
视为该物品的特征, 并用来衡量两个物品的相似度. 因此, 通过这种关系来建立用户 u 的相关特征向量 x u , 以及项
目 i 的特征向量 y i .
值得注意的是, 与传统推荐模型 (如 MF 和神经协作过滤) 不同的是: 它们将这些用户-项目 ID 嵌入直接馈送
到交互层以获得预测分数. 而在模型 LG_APIF 中, 通过在用户-类型-项目交互图上传播嵌入来对其优化. 由于嵌
入优化步骤将协作信号显式地注入到嵌入中, 因此可为推荐提供更有效的嵌入. 因而, 对于用户 u, 以 p u 及其相关
特征向量 x u 作为输入, 输出一个用户初始嵌入 e (表示用户的初始兴趣), 如公式 (14) 所示:
0
u
0
e = g(W ∗[x u , p u ]) (14)
u
其中, W 是一个变换矩阵, g(·) 是个非线性函数. 为了便于标记, 省略了全连接神经网络中的偏置项.
同理, 对于项目 i, 以 q i 及其相关特征向量 y i 作为输入, 输出一个项目初始嵌入 e (表示项目的初始特征), 如
0
i
公式 (15) 所示:
0
e = σ(F∗[q i , y i ]) (15)
i
其中, F 是一个变换矩阵, σ (·) 是个非线性函数.
● 图传播层. 该层对用户的潜在偏好在关系网络中扩散的动态变化进行建模, 其为多层结构, 每层输入前一层
对于用户 u, e 表示其第 k 层的潜在嵌入. 通过将第 k 层的输出输入到 k+1 层, k+1 层的影响扩散操作将用户
k
u
u 的潜在嵌入更新为 e u (k+1) , 如公式 (16) 所示:
∑ 1
e (k+1) = √ e k (16)
u
i∈N i u |N ||N | i
u
i
u
i
N 表示用户 u N 表示项目 i 的交互用户集.
i
u
其中, 的交互项目集,
u i
同样, 对于项目 i, e 表示其第 k 层的潜在嵌入. 通过将第 k 层的输出输入到 k+1 层, k+1 层的影响扩散操作将
k
i
项目 i 的潜在嵌入更新为 e (k+1) , 如公式 (17) 所示:
i