基于门控图游走网络的推荐多样性研究方月婷，武浩**(云南大学信息学院，云南昆明650500)λ摘要：近年来，纯粹追求准确性的推荐算法已不再符合用户日益增长的多元化需求.因为该类算法将所有用户同等对待，导致推荐结果趋于单一化.从推荐系统的多样性角度出发，提出由两路图游走网络和门控网络组成的门控图游走网络.图游走网络在原有邻域上扩展一类新邻域，聚合两类邻域的信息，从而生成偏向准确性或多样性的推荐结果.门控网络对两个不同偏好推荐结果进行选择，得到最终推荐结果.不同于其他推荐多样性算法，门控图游走网络的推荐结果准确性−多样性比例可由超参数调整，而不是完全由算法决定.3个真实数据集的实验结果验证了门控图游走网络在多样化整体协作推荐方面的有效性.关键词：协同过滤；图神经网络；门控网络；随机游走；多样性中图分类号：TP391文献标志码：A文章编号：0258−7971(2024)02−0228−09K随着计算机的普及和通信技术的快速发展，网络上的信息量迅猛增长，信息过载问题不可小觑.在这种机遇与挑战下，推荐系统应运而生.协同过滤是推荐系统的主流技术之一，它利用用户和项目的历史交互行为模拟用户的潜在偏好，并根据用户和项目之间的两两相似性向用户推荐排名前个项目.迄今为止，最先进的协同过滤解决方案是学习潜在特征(也称为嵌入)表示用户和物品，并基于嵌入向量进行预测[1-2].协同过滤可大致分为两类：矩阵分解[3]和神经网络[4].矩阵分解直接将用户ID属性映射为一个嵌入向量.后来的研究发现，以用户和项目历史交互作为输入扩展用户ID可提高推荐质量.因此，矩阵分解的核心是用户−项目交互矩阵，该矩阵近似为由用户和项目表示的两个低秩矩阵的乘积.为了进一步提高推荐质量，研究人员提出采用神经网络对用户−物品历史交互行为进行建模，其中图卷积网络是最具有代表性之一的神经网络模型.图卷积网络在一个二部图上对用户−项目历史交互行为进行建模，并基于前一层已交互实体嵌入的聚合更新当前层的用户和项目嵌入，从而实现图卷积操作[5].轻量化图卷积模型(lightgraphconvolutionalnetwork,LightGCN)[6]和神经图协同过滤模型(neuralgraphcollaborativefiltering,NGCF)[7]是经典的图卷积网络模型.λλ然而，现有的协同过滤解决方案普遍存在一个缺点，即对推荐准确性考虑较多.推荐系统的真正价值并非是为用户推荐非常准确的物品，而是为用户推荐他们自己都不会轻易发现的物品，即推荐多样性.本文从推荐多样性角度出发，提出一个门控...
