龔文正　謝程遠(yuǎn)　張恒

摘要：會(huì)話推薦旨在匿名會(huì)話中預(yù)測用戶下一次的交互信息?，F(xiàn)有基于圖神經(jīng)網(wǎng)絡(luò)的會(huì)話推薦模型（GNN） 在全局圖中融入了兩兩物品的轉(zhuǎn)移關(guān)系，但忽略了項(xiàng)目本身在全局圖中的重要性，從而影響了推薦精度。此外，在會(huì)話圖中對鄰居節(jié)點(diǎn)對當(dāng)前節(jié)點(diǎn)的影響考慮不全面。因此，提出了一種新的強(qiáng)化節(jié)點(diǎn)全局重要度的會(huì)話推薦算法（EGIN-SR，EnhancedGlobal Importance of Nodes Session Recommendation Algorithm） 。該算法在全局圖中利用PageRank計(jì)算每個(gè)項(xiàng)目的重要度，以此更加精準(zhǔn)地表示項(xiàng)目。同時(shí)，設(shè)計(jì)了一種轉(zhuǎn)換感知權(quán)重聚合方法，可以感知到不同的節(jié)點(diǎn)轉(zhuǎn)換，突出不同鄰居對其自身的重要性。在Diginetica、Tmall天貓數(shù)據(jù)集和Nowplaying數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法在性能上優(yōu)于現(xiàn)有的主流方法，證明了此方法的有效性。

關(guān)鍵詞：會(huì)話推薦；圖神經(jīng)網(wǎng)絡(luò)；節(jié)點(diǎn)信息；全局重要度

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）13-0017-04 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

隨著互聯(lián)網(wǎng)的快速發(fā)展和信息的爆炸性增長，人們在面對海量的內(nèi)容和選擇時(shí)往往感到困惑和不知所措。在這個(gè)信息過載的時(shí)代，推薦系統(tǒng)[1]成了解決這一問題的有效工具?；跁?huì)話的推薦系統(tǒng)[2-4]作為推薦系統(tǒng)的重要分支之一，通過分析用戶的歷史行為和會(huì)話信息，能夠更準(zhǔn)確地理解用戶的興趣和需求，并為其提供個(gè)性化的推薦服務(wù)。

基于會(huì)話的推薦系統(tǒng)的工作原理是基于用戶在一段時(shí)間內(nèi)的行為和交互，而不僅僅是考慮單個(gè)事件。通過分析用戶的會(huì)話信息，包括點(diǎn)擊、瀏覽、購買等行為，可以更好地捕捉用戶的興趣演化和行為模式，并據(jù)此進(jìn)行推薦。會(huì)話是指用戶在一段時(shí)間內(nèi)的連續(xù)交互行為，可以包括點(diǎn)擊、瀏覽、購買等動(dòng)作。一些研究將其看作一個(gè)行為序列，早先的研究采用馬爾可夫鏈、主題模型、概率生成模型等方法來對會(huì)話序列進(jìn)行建模。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，越來越多的研究采用深度學(xué)習(xí)模型來分析用戶在不同上下文中的行為，以更好地理解用戶的興趣演化和行為模式。一些研究采用RNN對會(huì)話序列進(jìn)行建模，通過將會(huì)話序列作為輸入，RNN可以學(xué)習(xí)到會(huì)話中不同項(xiàng)目之間的關(guān)聯(lián)性和順序，進(jìn)而研究用戶行為的復(fù)雜性。以上方法包括早期的研究，都僅僅是對一個(gè)會(huì)話進(jìn)行建模，并從中發(fā)現(xiàn)用戶的興趣偏好。然而不同的會(huì)話確實(shí)包含著用戶的不同偏好信息，例如，用戶在一個(gè)會(huì)話中可能會(huì)連續(xù)瀏覽幾個(gè)相似的商品，這表明用戶對這類商品有較高的興趣。而在另一個(gè)會(huì)話中，用戶可能會(huì)點(diǎn)擊一些與之前不同類型的商品，這可能意味著用戶對其他類型的商品也有一定的興趣。盡管現(xiàn)有的方法都已取得了不錯(cuò)的效果，但是未考慮到項(xiàng)目的全局權(quán)重，可能會(huì)導(dǎo)致推薦結(jié)果的片面性和局限性。另一方面，其沒有對項(xiàng)目轉(zhuǎn)換的重要程度做區(qū)分。在會(huì)話中，不同的項(xiàng)目到項(xiàng)目的轉(zhuǎn)換反映了用戶不同的興趣與需求，通過了解項(xiàng)目轉(zhuǎn)換能夠捕捉用戶興趣的變化。

因此，我們提出了一種新的強(qiáng)化節(jié)點(diǎn)的全局重要度的會(huì)話推薦算法。首先為會(huì)話圖引入類型編碼，以此來區(qū)分來自不同會(huì)話以及豐富項(xiàng)目節(jié)點(diǎn)的信息。其次計(jì)算每個(gè)項(xiàng)目在全局圖上的重要度，為不同項(xiàng)目賦予不同的全局重要度。同時(shí)，考慮通過項(xiàng)目轉(zhuǎn)換的頻率來判斷其重要性，并為其賦予更高的權(quán)重。在進(jìn)行信息傳播的過程中，為不同的轉(zhuǎn)換賦予不同的權(quán)重，較近發(fā)生的轉(zhuǎn)換也賦予更高的權(quán)重。較高的權(quán)重可以使該項(xiàng)目在推薦過程中更加突出，從而更好地滿足用戶的個(gè)性化需求。

1 相關(guān)研究

基于會(huì)話的推薦系統(tǒng)是一種利用用戶的會(huì)話歷史數(shù)據(jù)進(jìn)行個(gè)性化推薦的方法。這種推薦系統(tǒng)考慮了用戶在會(huì)話中的行為順序和上下文信息，能夠更準(zhǔn)確地理解用戶的興趣和需求。在基于會(huì)話的推薦中，根據(jù)對會(huì)話建模方式的不同，將基于會(huì)話的推薦模型分為基于序列的模型和基于圖的模型。

基于序列的模型將用戶的會(huì)話歷史看作一個(gè)序列，通過建立序列模型來預(yù)測用戶下一個(gè)可能感興趣的物品。這些方法通過分析會(huì)話歷史中物品出現(xiàn)的頻率和順序，來預(yù)測用戶下一個(gè)可能選擇的物品。微軟研究院提出了FPMC模型[5]，該模型結(jié)合了馬爾可夫鏈和矩陣分解的思想。它將用戶的行為序列看作是一個(gè)馬爾可夫鏈，其中每個(gè)行為都是鏈中的一個(gè)狀態(tài)。FPMC模型通過學(xué)習(xí)用戶的行為序列，來捕捉用戶的興趣演化和行為模式。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 和長短期記憶網(wǎng)絡(luò)（LSTM） [6]也是常用的序列模型，它們可以捕捉用戶在不同時(shí)間點(diǎn)的興趣演化和偏好變化。Hidasi等[7]提出的GRU4Rec推薦模型使用門控循環(huán)單元作為其核心組件。GRU4Rec的一個(gè)重要特點(diǎn)是它是一個(gè)無狀態(tài)模型，這意味著它不需要維護(hù)用戶的狀態(tài)信息。相比于其他基于會(huì)話的推薦模型，如FPMC， GRU4Rec更加簡單和高效。Zhang等[8]在GRU4Rec基礎(chǔ)上提出了STAMP 模型，與GRU4Rec 相比，STAMP 引入了時(shí)間信息，以更好地捕捉會(huì)話中物品的順序和時(shí)間間隔。基于序列的推薦模型在處理長時(shí)間間隔的會(huì)話時(shí)可能會(huì)遇到挑戰(zhàn)。由于模型主要關(guān)注最近的行為，長時(shí)間間隔的行為可能會(huì)被忽略，導(dǎo)致模型對用戶興趣的理解不準(zhǔn)確。在處理長序列時(shí)，可能會(huì)遇到難以捕捉到遠(yuǎn)距離依賴關(guān)系的問題。

一些研究也引入圖思想進(jìn)行推薦?；趫D的模型將用戶的會(huì)話歷史表示為一個(gè)圖結(jié)構(gòu)，其中物品作為節(jié)點(diǎn)，用戶行為作為邊。通過分析圖結(jié)構(gòu)中的節(jié)點(diǎn)和邊的特征，可以推斷用戶的興趣和偏好。Wu等[9]提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的會(huì)話推薦模型SR-GNN，它將用戶行為序列轉(zhuǎn)化為一個(gè)有向圖，使用圖神經(jīng)網(wǎng)絡(luò)充分學(xué)習(xí)用戶之間的關(guān)系和物品之間的交互信息，從而提高推薦的準(zhǔn)確性。Qiu等[10]將因子分解模型和圖神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，在節(jié)點(diǎn)表示的計(jì)算中引入了因子分解的思想，將節(jié)點(diǎn)的表示分解為多個(gè)因子，以更好地建模節(jié)點(diǎn)之間的交互。但是由于引入了因子分解的計(jì)算，模型的復(fù)雜度較高，需要更多的計(jì)算資源和訓(xùn)練時(shí)間。DSAN[11]通過自注意力機(jī)制在會(huì)話中學(xué)習(xí)到其中商品之間的協(xié)作信息，即同一會(huì)話中不同商品之間的關(guān)系。GCE-GNN[12]通過引入圖上下文嵌入，將節(jié)點(diǎn)的鄰居節(jié)點(diǎn)信息和全局圖結(jié)構(gòu)信息融合到節(jié)點(diǎn)的嵌入表示中，使會(huì)話間可以互相輔助進(jìn)而生成表示。從全局層面與會(huì)話層面進(jìn)行建模學(xué)習(xí)，同時(shí)結(jié)合兩個(gè)層面得到最終的表示。GCE-GNN[12]利用全局級項(xiàng)目表示學(xué)習(xí)層，在全局圖上傳播學(xué)習(xí)項(xiàng)目轉(zhuǎn)換信息，并且使用注意力機(jī)制來區(qū)分項(xiàng)目的重要性。

本文提出的模型在學(xué)習(xí)之前工作優(yōu)點(diǎn)的基礎(chǔ)上更深層次地對會(huì)話信息進(jìn)行挖掘，有效地利用這些信息從而進(jìn)一步提升推薦的精準(zhǔn)度。

2 EGIN-SR 模型框架

為了更好地利用大量會(huì)話中存在的相關(guān)信息，本文通過對會(huì)話級和全局級項(xiàng)目的處理，考慮每個(gè)項(xiàng)目的重要度和項(xiàng)目間轉(zhuǎn)換的重要性來增強(qiáng)推薦，更好地理解用戶需求，從而提供更具個(gè)性化的推薦。該算法的總體模型框架如圖1所示，主要由3個(gè)模塊組成：全局級項(xiàng)目表示學(xué)習(xí)、會(huì)話級項(xiàng)目表示學(xué)習(xí)以及推薦模塊。

2.1 問題定義

會(huì)話推薦的目標(biāo)是通過分析會(huì)話和全局信息的復(fù)雜聯(lián)系來預(yù)測用戶下一個(gè)可能訪問的項(xiàng)目。將會(huì)話轉(zhuǎn)化為一個(gè)會(huì)話圖，用以反映項(xiàng)目之間的轉(zhuǎn)換。用V = {v1，v2，...，v } n 表示全部n 個(gè)物品的集合。用S = {s1，s2，...，s } m 表示一個(gè)已知的會(huì)話S，si 表示用戶在會(huì)話S中的第i 次瀏覽的物品，m 表示瀏覽物品總次數(shù)。會(huì)話推薦的任務(wù)是從V中選出TOP值最大的N個(gè)物品Ntop （1 ≤ N ≤ |V |）個(gè)最可能的候選項(xiàng)，用以預(yù)測會(huì)話S 的下一次點(diǎn)擊的項(xiàng)目sm + 1，并生成推薦列表。

2.2 會(huì)話圖構(gòu)建

會(huì)話圖是每個(gè)單獨(dú)的會(huì)話序列構(gòu)建而成，可以使得會(huì)話序列之間的轉(zhuǎn)換模式更加清晰。具體而言：對于給定的會(huì)話序列S = {s1，s2，...，s } m ，設(shè)Gs = （V ） s，Es 為其構(gòu)造的會(huì)話圖，其中，Vs ? V（V 表示所有會(huì)話項(xiàng)目）；Es = {e } ij 表示會(huì)話中相鄰項(xiàng)目的邊的集合，eij 是會(huì)話中相鄰項(xiàng)目（si，sj） 。在這里，筆者采用SR-GNN的方法，為每條邊分配一個(gè)歸一化權(quán)重，其計(jì)算方式為邊的出現(xiàn)次數(shù)除以該邊的起始節(jié)點(diǎn)的出度。

2.3 全局圖構(gòu)建

全局圖是以所有會(huì)話中的項(xiàng)目表示的轉(zhuǎn)換信息構(gòu)建的，其中包含了所有會(huì)話中出現(xiàn)的領(lǐng)域項(xiàng)目。具體而言，設(shè)全局圖為G′ = （V′，E′），其中，V′包含V中所有項(xiàng)目的節(jié)點(diǎn)集合，E′ = {e } ij| （s ） i，sj | si ∈ V，sj ∈ Nε （s ） i是其邊的集合，Nε （s ） i 是節(jié)點(diǎn)si 的ε-領(lǐng)域。圖1中，我們構(gòu)建了全局圖（ε=2） ，并為其連接邊生成權(quán)重，用以區(qū)分si 的鄰居重要性。并且只保留圖G′上每個(gè)項(xiàng)目權(quán)重最高的前N 個(gè)邊，也不會(huì)動(dòng)態(tài)更新圖的拓?fù)浣Y(jié)構(gòu)。

2.4 全局圖項(xiàng)目學(xué)習(xí)

本模型構(gòu)建了一個(gè)全局級項(xiàng)目表示學(xué)習(xí)層，它在全局圖中傳播學(xué)習(xí)項(xiàng)目轉(zhuǎn)換信息，并使用注意力機(jī)制來區(qū)分項(xiàng)目的重要性。首先，考慮到項(xiàng)目的不同鄰居對自身具有不同程度的貢獻(xiàn)，因此更準(zhǔn)確地判斷哪些鄰居對于生成準(zhǔn)確推薦更具影響力。因此，本文使用注意力機(jī)制來計(jì)算鄰居項(xiàng)目節(jié)點(diǎn)的注意力系數(shù)，并根據(jù)當(dāng)前上下文和目標(biāo)項(xiàng)目自動(dòng)學(xué)習(xí)鄰居的貢獻(xiàn)度。注意力系數(shù)的計(jì)算如公式（1） ：

式中，ei，j 表示鄰居節(jié)點(diǎn)vj 對節(jié)點(diǎn)vi 的重要性，并采用LeakyReLU 作為激活函數(shù)，a* 為可學(xué)習(xí)的權(quán)重向量，ri，j 表示vj 和vi 的連接關(guān)系，h′i 和h′i 分別是節(jié)點(diǎn)vi 和其鄰居節(jié)點(diǎn)vj 的向量表示。由于圖中所有的節(jié)點(diǎn)之間并不全是相連接的，為了使不同的節(jié)點(diǎn)之間具有可比性，本文對其注意力系數(shù)進(jìn)行歸一化。如公式（2） ：

由于節(jié)點(diǎn)的鄰居不同，它們之間的貢獻(xiàn)也不同。因此，注意系數(shù)αi，j 是不對稱的，Ni 表示節(jié)點(diǎn)i 的鄰居節(jié)點(diǎn)集。

有些項(xiàng)目可能會(huì)在不同的會(huì)話中出現(xiàn)，并且可能會(huì)頻繁出現(xiàn)。這表明許多用戶對該項(xiàng)目有較大的偏好。通過計(jì)算全局重要度，可以識(shí)別在會(huì)話中具有重要地位的項(xiàng)目，并確保具有更高全局重要度的項(xiàng)目信息能夠快e速R傳an播k 到整個(gè)全局網(wǎng)絡(luò)。因此，本文利用Pag? 算法[13]來計(jì)算所有全局圖中項(xiàng)目在圖中的全局重要度，以此來更加精準(zhǔn)地表示項(xiàng)目，并進(jìn)一步提高模型的表達(dá)能力，如公式（3） 所示：

其中，PR（v ） i 為每個(gè)節(jié)點(diǎn)vi 的全局重要度，用v′為指向節(jié)點(diǎn)vi的節(jié)點(diǎn)，in （v ） i 為節(jié)點(diǎn)vi的入度， out （v′）為v′的出度。為了防止沒有入度或出度使節(jié)點(diǎn)的PR值為0，加入了阻尼因子的d（0 ≤ d ≤ 1），并且保證每個(gè)節(jié)點(diǎn)的PR值之和為1。

以圖1為例，V4 有3個(gè)出度，分別指向了V5、V6、V7節(jié)點(diǎn)，那么我們認(rèn)為用戶點(diǎn)擊V4 時(shí)下一個(gè)所點(diǎn)擊的項(xiàng)目就有V5、V6、V7 的可能性，概率為1/3。同樣地，我們可以得到全局圖中7個(gè)節(jié)點(diǎn)的轉(zhuǎn)移矩陣M，假設(shè)所有節(jié)點(diǎn)的初始重要度都是一樣的，即w0 全為1/7，設(shè)d 為0.85。通過一次轉(zhuǎn)移后，各節(jié)點(diǎn)的重要度w1如公式（6） ：

得出的各節(jié)點(diǎn)重要度如圖1所示，在經(jīng)過n 次迭代后，可得到最終平衡狀態(tài)下各個(gè)節(jié)點(diǎn)的重要度。

在得到鄰居項(xiàng)目的注意力權(quán)重和全局重要度后，將鄰居項(xiàng)目信息進(jìn)行整合，生成新的項(xiàng)目特征hi，同時(shí)，通過注意力機(jī)制，降低了物品特征學(xué)習(xí)的噪聲，如公式（7） 所示：

2.5 會(huì)話圖項(xiàng)目學(xué)習(xí)

全局圖中項(xiàng)目的鄰居對其自身的重要性不同，利用注意力機(jī)制來學(xué)習(xí)不同節(jié)點(diǎn)之間的權(quán)重。在會(huì)話圖中，許多項(xiàng)轉(zhuǎn)換發(fā)生的次數(shù)很多，說明兩者存在著很強(qiáng)的聯(lián)系，該轉(zhuǎn)換（邊）的重要性很高。因此，對于發(fā)生次數(shù)更多的轉(zhuǎn)換賦予更高的權(quán)重。

會(huì)話序列輸入到圖神經(jīng)網(wǎng)絡(luò)中，得到會(huì)話序列中涉及的所有項(xiàng)目表示為Ds = [h，v1 ] ，h，v2，...h，vm 同時(shí)，用一個(gè)可學(xué)習(xí)的位置嵌入矩陣R=[r1，r2，...rm ]，ri表示特定位置i 的向量，m 為會(huì)話序列長度，位置信息zi 通過級聯(lián)和非線性變化進(jìn)行聚合如公式（8） ：

在進(jìn)行信息傳播的過程中，利用注意力機(jī)制為項(xiàng)目vi 的轉(zhuǎn)換邊集Ei 中不同的轉(zhuǎn)換賦予不同的權(quán)重k（vi，vj ），進(jìn)而計(jì)算得到基于項(xiàng)目轉(zhuǎn)換的項(xiàng)目表示hi 計(jì)算公式如下：

其中，tanh是激活函數(shù)W、Wk、Wp 和b 都是可學(xué)習(xí)的參數(shù)，qT 與W 為線性轉(zhuǎn)換矩陣增強(qiáng)模型的擬合能力。

再對項(xiàng)目表示hi 進(jìn)行聚合，得到會(huì)話圖視角下的會(huì)話表示hs，計(jì)算如下公式（11） ：

2.6 預(yù)測層

在2.4和2.5小節(jié)中分別得到全局圖與會(huì)話圖視角下的會(huì)話表示，為了進(jìn)行推薦預(yù)測計(jì)算全部候選項(xiàng)目分?jǐn)?shù)。本文首先將全局圖與會(huì)話圖視角下的會(huì)話表示進(jìn)行融合，得到最終的會(huì)話表示hl，計(jì)算公式如下：

hl = wT ? [ h ] i||hs （12）

其中，||為拼接操作，?為矩陣乘法運(yùn)算，wT 為可學(xué)習(xí)的參數(shù)矩陣。

最終，使用余弦相似度來計(jì)算會(huì)話表示l 與候選項(xiàng)目u的相似度Possibility（l， u），得到每個(gè)候選項(xiàng)目的推薦概率，計(jì)算如公式（13） ：

式中，hu為候選項(xiàng)目的表示，hl為計(jì)算向量的模。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

本文旨在構(gòu)建基于會(huì)話的推薦模型，以建立準(zhǔn)確、個(gè)性化的用戶模型，從而理解用戶的興趣和需求，并根據(jù)這些信息進(jìn)行推薦。為驗(yàn)證所提模型的有效性和優(yōu)越性，選擇了三個(gè)數(shù)據(jù)集，分別是Diginetica、Tmall天貓數(shù)據(jù)集和Nowplaying。

1） Diginetica數(shù)據(jù)集是廣泛應(yīng)用于基于會(huì)話的推薦系統(tǒng)研究的開放數(shù)據(jù)集，為歐洲某電商平臺(tái)6個(gè)月內(nèi)所有匿名用戶的交易數(shù)據(jù)，是CIKMCup2016公開數(shù)據(jù)集。2） Tmall天貓數(shù)據(jù)集是非常著名的電子商務(wù)數(shù)據(jù)集，被廣泛應(yīng)用于推薦系統(tǒng)和數(shù)據(jù)挖掘領(lǐng)域的研究，包含大量真實(shí)交易數(shù)據(jù)，涵蓋多個(gè)商品類別和用i戶ng行為，包括數(shù)百萬用戶和數(shù)千萬商品。3） Nowplay? 數(shù)據(jù)集是用于基于會(huì)話的推薦系統(tǒng)的常用數(shù)據(jù)集之一，記錄了用戶在社交媒體平臺(tái)上發(fā)布的音樂播放信息，包括用戶ID、歌曲ID、播放時(shí)間等。這些數(shù)據(jù)可用于構(gòu)建用戶的音樂播放歷史和會(huì)話信息，從而為推薦系統(tǒng)提供更準(zhǔn)確的個(gè)性化推薦。以上數(shù)據(jù)集的詳細(xì)統(tǒng)計(jì)信息見表1。

3.2 實(shí)驗(yàn)設(shè)置

通過分析所提模型的原理和結(jié)構(gòu)，發(fā)現(xiàn)影響預(yù)測效果的主要超參數(shù)包括訓(xùn)練輪次Epoch、隱藏層維度、注意力頭數(shù)、學(xué)習(xí)率等。因此，本研究對這些超參數(shù)進(jìn)行了一系列實(shí)驗(yàn)，通過反復(fù)實(shí)驗(yàn)分析確定Epoch為20、隱藏層維度為16、注意力頭數(shù)為2，并采用學(xué)習(xí)率為1e-3的Adam優(yōu)化器對參數(shù)進(jìn)行優(yōu)化。為避免模型過擬合，筆者在每層之間設(shè)置了Dropout 層，將Dropout率設(shè)為0.5。

為更好地評估所提模型的預(yù)測效果，選擇了相關(guān)研究中較常用的評價(jià)指標(biāo)P@N 和MRR@N。其中， P@N通常用于評估推薦系統(tǒng)的性能，其中P表示準(zhǔn)確率（Precision） ，N表示推薦列表的長度（Top-N） 。該指標(biāo)表示在推薦列表中，有多少個(gè)項(xiàng)目是用戶真正感興趣的。例如，如果P@5為0.6，意味著在前5個(gè)推薦項(xiàng)目中，有60% 是用戶真正感興趣的。計(jì)算如公式（14） 所示，本文采用P@20作為衡量標(biāo)準(zhǔn)。

另一個(gè)評價(jià)指標(biāo)是MRR@N，它代表平均倒數(shù)排名（Mean Reciprocal Rank） ，N 表示推薦列表的長度（Top-N） 。MRR@N衡量了推薦系統(tǒng)在給定的推薦列表中，用戶感興趣的項(xiàng)目在排名中的平均位置。MRR@N的取值范圍是0～1，數(shù)值越接近1表示推薦系統(tǒng)的性能越好。該指標(biāo)可以幫助評估推薦系統(tǒng)在給定的推薦列表中，用戶感興趣的項(xiàng)目的排序質(zhì)量。計(jì)算如公式（15） 所示，本文采用MRR@20作為衡量標(biāo)準(zhǔn)。

式中，nhit 表示前k 項(xiàng)中正確推薦項(xiàng)目的數(shù)量，N 是總樣本數(shù)，M 表示前k 項(xiàng)推薦項(xiàng)目中正確推薦的樣本集，Rank （t）是物品t在推薦中排名。

3.3 實(shí)驗(yàn)結(jié)果與分析

3.3.1 對比試驗(yàn)

為了驗(yàn)證強(qiáng)化節(jié)點(diǎn)全局重要度的會(huì)話推薦算法的有效性和優(yōu)越性，進(jìn)行了對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2 所示。本文選擇了經(jīng)典模型和最新模型進(jìn)行對比實(shí)驗(yàn)。經(jīng)典模型包括POP、Item-KNN[14]、FPMC、GRU4Rec、NARM[15]等模型。其中，POP、Item-KNN和FPMC 利用統(tǒng)計(jì)學(xué)方法對項(xiàng)目進(jìn)行排名推薦，而GRU4Rec和NARM模型則利用GRU對用戶會(huì)話進(jìn)行建模。除了這些經(jīng)典模型外，還有STAMP、SR-GNN 和FGNN等采用了注意力機(jī)制或GNN的新穎模型。STAMP是一種基于會(huì)話的推薦系統(tǒng)模型，旨在解決傳G統(tǒng)N基N于會(huì)話推薦系統(tǒng)中的冷啟動(dòng)和長尾問題。SR- 利用了圖神經(jīng)網(wǎng)絡(luò)的能力，來捕捉會(huì)話中物品之間的順序依賴關(guān)系和語義關(guān)聯(lián)。FGNN模型通過結(jié)合矩陣分解和圖神經(jīng)網(wǎng)絡(luò)的思想，在推薦系統(tǒng)中取得了較好的效果，提供更準(zhǔn)確和個(gè)性化的推薦結(jié)果。

根據(jù)表3可知，在P@20、MRR@20指標(biāo)上，本文所提模型均取得了最佳效果。這說明本文所提模型推薦的項(xiàng)目更符合用戶的選擇和興趣。相比之下， GRU4Rec、NARM等模型較POP、Item-KNN、FPMC等基于傳統(tǒng)統(tǒng)計(jì)學(xué)的方法表現(xiàn)更出色。后者主要基于物品的流行度或相似度進(jìn)行推薦，未考慮到用戶的個(gè)性化需求和會(huì)話的上下文信息。而GRU4Rec、NARM 模型利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 建模用戶的會(huì)話歷史，能夠捕捉會(huì)話中物品的順序和上下文關(guān)系。STAMP 在Tmall和Nowplaying數(shù)據(jù)集上取得了比GRU4Rec、NARM更好的效果。STAMP模型使用了自適應(yīng)記憶機(jī)制，根據(jù)用戶的歷史行為和當(dāng)前會(huì)話的上下文動(dòng)態(tài)選擇和更新記憶，更好地適應(yīng)用戶的興趣變化和會(huì)話的動(dòng)態(tài)特性。SR-GNN、FGNN 采用了圖神經(jīng)網(wǎng)絡(luò)（GNN） 的思想，在推薦系統(tǒng)中取得了較好的效果，說明基于會(huì)話的圖結(jié)構(gòu)利用圖神經(jīng)網(wǎng)絡(luò)建模用戶的興趣和上下文信息，可以綜合考慮用戶和物品的特征以及它們之間的交互關(guān)系，提供個(gè)性化的推薦結(jié)果。

本文所提方法在所采用的數(shù)據(jù)集上都取得了最佳效果，與SR-GNN一樣采用GNN的思想，在會(huì)話圖上學(xué)習(xí)用戶的興趣變化。同時(shí)，為會(huì)話圖計(jì)算每個(gè)項(xiàng)目在全局圖上的重要度以及項(xiàng)目轉(zhuǎn)換的權(quán)重，使推薦模型能更好地利用會(huì)話歷史數(shù)據(jù)，并考慮到不同項(xiàng)目和類型之間的關(guān)系，從而提供更準(zhǔn)確和個(gè)性化的推薦結(jié)果。

3.3.2 消融實(shí)驗(yàn)

為進(jìn)一步提高基于會(huì)話的推薦模型的推薦精準(zhǔn)性，本文在GCE-GNN模型的基礎(chǔ)上，為全局級項(xiàng)目表示學(xué)習(xí)層添加全局重要性信息。在生成全局項(xiàng)目表示時(shí)，融合了PageRank算法計(jì)算vi 的全局貢獻(xiàn)度，提高了表達(dá)能力。另外，通過引入轉(zhuǎn)換感知來提高模型對會(huì)話表示的學(xué)習(xí)能力。為證明以上改進(jìn)對模型推薦效果的影響，本研究設(shè)置了3個(gè)消融實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表3。

如圖2、圖3所示，單獨(dú)使用PageRank時(shí)，在三個(gè)數(shù)據(jù)集中的P@20、MRR@20指標(biāo)均優(yōu)于不使用的基礎(chǔ)模型，說明使用PageRank為節(jié)點(diǎn)賦予全局貢獻(xiàn)度，可以使全局級表示更精準(zhǔn)地對鄰居節(jié)點(diǎn)進(jìn)行聚合，從而提高全局級表示的表達(dá)能力。單獨(dú)引入轉(zhuǎn)換感知時(shí)的效果同樣優(yōu)于基礎(chǔ)模型，證明為轉(zhuǎn)換邊賦予不同的權(quán)重，可以使模型更好地匹配用戶偏好，進(jìn)而提升模型的推薦精度。最終，同時(shí)使用以上兩個(gè)策略時(shí)，獲得了最好的推薦效果。

4 結(jié)論

為了進(jìn)一步提升基于會(huì)話的推薦模型的效果，本文在GCE-GNN模型的基礎(chǔ)上進(jìn)行了改進(jìn)。通過研究分析，發(fā)現(xiàn)GCE-GNN利用全局級項(xiàng)目表示學(xué)習(xí)層，在全局圖上傳播并學(xué)習(xí)項(xiàng)目表示，其只是利用了節(jié)點(diǎn)的局部重要性，未考慮節(jié)點(diǎn)的全局重要性。因此，本文利用PageRank得到全局圖中節(jié)點(diǎn)的全局重要性，在生成全局級項(xiàng)目表示時(shí)將其引入，令模型能夠獲知節(jié)點(diǎn)在全圖上對用戶的重要性，以此來提高全局級項(xiàng)目表示的表達(dá)能力。另一方面，我們對轉(zhuǎn)換邊的重要程度做出區(qū)分，頻繁出現(xiàn)的節(jié)點(diǎn)間的轉(zhuǎn)換更受用戶的偏愛。因此，本文在進(jìn)行信息傳播的過程中，為不同的S轉(zhuǎn)R換賦予不同的權(quán)重。最后，將本文所提模型EGIN- SR與8個(gè)基準(zhǔn)模型進(jìn)行了對比實(shí)驗(yàn)，結(jié)果表明EGIN- 具有更好的效果。本文還進(jìn)行了消融實(shí)驗(yàn)，進(jìn)一步驗(yàn)證了使用PageRank可以提高目標(biāo)節(jié)點(diǎn)嵌入的表達(dá)能力與精確度。綜上所述，本文所提改進(jìn)模型在進(jìn)行推薦時(shí)，能夠更好地匹配用戶偏好。

【通聯(lián)編輯：唐一東】