Page 420 - 《软件学报》2024年第6期

2996 软件学报 2024 年第 35 卷第 6 期

从图 10 可看出, 模型 LG_APIF 在优化方式 1、方式 2 及方式 3 时, 性能均优于现有对比模型, 且在整体上也
要优于优化前的模型自身, 平均提升可达 5.04%. 尽管性能提升不明显, 但也充分说明我们对于模型 LG_APIF 中
兴趣量因子自适应的优化思路是可行的、有效的, 也表明加大挖掘用户深度信息力度的必要性, 以及采用更为有
效的方法去归结行为规律, 会进一步提高推荐性能, 并带来更强的可解释性.
5 总结与下一步工作

我们提出一种融合自适应周期与兴趣量因子的轻量级 GCN 推荐方法 LG_APIF, 通过运用相对轻量级的技术
对用户基础信息的深度挖掘与利用, 不仅改善了模型 LG_APIF 的 Precision, Recall 和 NDCG 指标效果, 还在很大
程度上控制了模型的复杂度. 其主要贡献如下.
1) 利用遗忘曲线构建兴趣模型, 更合理地模拟用户的兴趣变化规律. 本文将人类思维规律扩展运用到推荐系
统中, 可较显式地表示用户的动态行为变化; 采用遗忘曲线拟合出的函数对用户的兴趣占比进行计算, 更准确地判
别出用户当前的兴趣规律.
2) 挖掘自适应周期和兴趣量因子等深度信息, 更为准确地解析用户的整体偏好. 根据相似用户具有相似兴趣

的规律对用户行为进行聚类并拟合, 预测用户的自适应周期; 再结合用户-项目的行为规律, 设计了一种更有效、
更易理解的兴趣量因子求解方式. 这些深度信息的特征表示与基础信息的表示相似, 却蕴含着更高阶的协作, 有助
于捕获用户的整体偏好, 也能为 GCN 推荐框架减负.
3) 设计用户-类型-项目三元图结构, 再结合减负后的 GCN 方法实现协同过滤, 更能降低 GCN 训练的难度并
提升模型的推荐效果. 相较于传统的协同过滤方法, 本文模型采用 GCN 技术来完成协同过滤任务, 且为降低传统
GCN 技术的训练难度, 使用较为显式地携带协作信号的三元图结构作为模型的输入, 使模型能更侧重解决邻域聚
合任务, 提高预测准确性.
本文主要以用户对项目的兴趣形态表现为中心, 以项目为主体对用户进行聚类分析. 实际上, 也能以用户为主
体, 对不同项目进行兴趣周期聚类, 该方法同样适用. 当然, 本文模型也存在一些方面值得改进, 如部分冷启动用户
的偏好仍未能得到准确预测. 此外, 本文用到的隐特征并不很全面, 社交关系、标签信息等特征未被使用. 接下来
的工作将进一步充分利用其他多种信息, 使推荐模型的性能得到更好的优化.

References:
[1] Al-Shamri MYH. Power coefficient as a similarity measure for memory based collaborative recommender systems. Expert Systems with
Applications, 2014, 41(13): 5680–5688. [doi: 10.1016/j.eswa.2014.03.025]
[2] Feng Y, Zhang B, Qiang BH, Zhang YY, Shang JX. MN-HDRM: A novel hybrid dynamic recommendation model based on long-short-
term interests multiple neural networks. Chinese Journal of Computers, 2019, 42(1): 16–28 (in Chinese with English abstract). [doi: 10.
11897/SP.J.1016.2019.00016]
[3] Wang X, He XN, Wang M, Feng F, Chua TS. Neural graph collaborative filtering. In: Proc. of the 42nd Int’l ACM SIGIR Conf. on
Research and Development in Information Retrieval. Paris: ACM, 2019. 165–174. [doi: 10.1145/3331184.3331267]
[4] He XN, Deng K, Wang X, Li Y, Zhang YD, Wang M. LightGCN: Simplifying and powering graph convolution network for
recommendation. In: Proc. of the 43rd Int’l ACM SIGIR Conf. on Research and Development in Information Retrieval. ACM, 2020.
639–648. [doi: 10.1145/3397271.3401063]
[5] Li QM, Han ZC, Wu XM. Deeper insights into graph convolutional networks for semi-supervised learning. In: Proc. of the 32nd AAAI
Conf. on Artificial Intelligence and the 30th Innovative Applications of Artificial Intelligence Conf. and the 8th AAAI Symp. on
Educational Advances in Artificial Intelligence. New Orleans: AAAI, 2018. 3538–3545.
[6] Garg D, Gupta P, Malhotra P, Vig L, Shroff G. Sequence and time aware neighborhood for session-based recommendations: Stan. In:
Proc. of the 42nd Int’l ACM SIGIR Conf. on Research and Development in Information Retrieval. Paris: ACM, 2019. 1069–1072. [doi:
10.1145/3331184.3331322]
[7] Xu X, Ding SF, Ding L. Survey on density peaks clustering algorithm. Ruan Jian Xue Bao/Journal of Software, 2022, 33(5): 1800–1816
(in Chinese with English abstract). http://www.jos.org.cn/1000-9825/6122.htm [doi: 10.13328/j.cnki.jos.006122]
[8] Ferdaous H, Bouchra F, Brahim O, Imad-Eddine M, Asmaa B. Recommendation using a clustering algorithm based on a hybrid features