靳康杰　王藝源

摘要：為提升個(gè)性化推薦質(zhì)量，保證用戶滿意度，文章研究了基于圖神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)。該系統(tǒng)依據(jù)用戶歷史行為數(shù)據(jù)，分析用戶的個(gè)性化需求和潛在興趣點(diǎn)，確定用戶-行為向量，將其作為圖神經(jīng)網(wǎng)絡(luò)與改進(jìn)自注意力網(wǎng)絡(luò)融合的個(gè)性化推薦模型的輸入。通過(guò)模型對(duì)向量進(jìn)行處理，實(shí)現(xiàn)用戶意圖嵌入和目標(biāo)位置嵌入，依據(jù)嵌入結(jié)果計(jì)算用戶偏好，結(jié)合用戶的偏好情況，實(shí)現(xiàn)個(gè)性化推薦。測(cè)試結(jié)果顯示，該系統(tǒng)的個(gè)性化推薦效果較好，歸一化折損累計(jì)增益值均在0.122以下，推薦質(zhì)量較高。

關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò)；個(gè)性化；推薦系統(tǒng)

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

文章編號(hào)：1009-3044（2024）13-0021-03 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

聯(lián)網(wǎng)技術(shù)的發(fā)展和普及使得信息過(guò)載成為一個(gè)日益嚴(yán)重的問(wèn)題，用戶在面對(duì)海量的數(shù)據(jù)時(shí)，往往難以快速找到符合自己興趣和需求的信息[1]。因此，個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生，它能夠根據(jù)用戶的個(gè)性化需求和興趣，提供精準(zhǔn)的推薦服務(wù)，從而極大地提高了用戶體驗(yàn)和信息獲取的效率[2]。傳統(tǒng)的推薦系統(tǒng)通常基于用戶行為數(shù)據(jù)和內(nèi)容特征進(jìn)行推薦，存在冷啟動(dòng)問(wèn)題、數(shù)據(jù)稀疏性和信息過(guò)濾的挑戰(zhàn)，導(dǎo)致推薦結(jié)果個(gè)性化能力較差，無(wú)法精準(zhǔn)分析用戶的需求[3]。

圖神經(jīng)網(wǎng)絡(luò)是一種能夠處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型，通過(guò)對(duì)節(jié)點(diǎn)和邊的嵌入學(xué)習(xí)，可以挖掘圖中的關(guān)聯(lián)和相互作用，從而更好地捕捉用戶的興趣和行為模式，更精準(zhǔn)地為用戶提供推薦服務(wù)。因此，為保證個(gè)性化的推薦結(jié)果，本文設(shè)計(jì)了基于圖神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)。

1 個(gè)性化推薦系統(tǒng)

1.1 用戶行為分析

個(gè)性化推薦是一種根據(jù)用戶的興趣、偏好、行為和歷史數(shù)據(jù)等信息，為用戶提供定制化、個(gè)性化的內(nèi)容或產(chǎn)品推薦的服務(wù)。其核心在于利用先進(jìn)的算法和技術(shù)，對(duì)用戶的歷史數(shù)據(jù)進(jìn)行深入分析和挖掘，以發(fā)現(xiàn)用戶的個(gè)性化需求和潛在興趣點(diǎn)，并基于這些發(fā)現(xiàn)為用戶提供精準(zhǔn)推薦[4]。因此，為實(shí)現(xiàn)精準(zhǔn)的個(gè)性化推薦，本文需依據(jù)用戶的需求、偏好行為進(jìn)行分析。首先進(jìn)行用戶集合U 和目標(biāo)集合P 的構(gòu)建，同時(shí)確定兩者之間的交互行為集合H，三者的計(jì)算公式為：

U = {u } i|i = 1，2，...，nU （1）

M = {m } i|i = 1，2，...，nM （2）

H = {h } k|k = 1，2，...，nH （3）

式中：nU、nM 和nH 分別表示用戶數(shù)量、目標(biāo)數(shù)量以及交互類(lèi)型數(shù)量。

為更好地描述用戶行為，采用用戶的歷史交互數(shù)據(jù)作為無(wú)向圖，用G = （W，ξ）表示，其主要包含兩種實(shí)體節(jié)點(diǎn)集合，分別為用戶節(jié)點(diǎn)U 和目標(biāo)節(jié)點(diǎn)M，且U ? M = W；ξ為邊集，且：

sk 表示任一用戶ui 和任一目標(biāo)pj 之間的交互記錄，如果sk 存在，則ehkui pj = 1；如果hk 不存在，則ehkui pj = 0。

采用編碼映射的方式完成用戶和目標(biāo)之間ID的處理，形成一維度向量空間中的兩個(gè)向量，分別用e（0） ui和e（0） pj 表示，即為用戶-行為向量，將該向量作為個(gè)性化推薦模型的輸入。

1.2 個(gè)性化推薦系統(tǒng)設(shè)計(jì)

1.2.1 系統(tǒng)的推薦流程

基于圖神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)，能夠通過(guò)對(duì)用戶行為圖、意圖圖和位置圖等圖結(jié)構(gòu)數(shù)據(jù)的深度挖掘，發(fā)現(xiàn)用戶與目標(biāo)之間的潛在聯(lián)系和模式。與傳統(tǒng)的推薦方法相比，圖神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的特征表示能力和學(xué)習(xí)能力，能夠更準(zhǔn)確地捕捉用戶的個(gè)性化需求，從而提高推薦的準(zhǔn)確性和個(gè)性化程度[5]。它可以方便地整合多種類(lèi)型的數(shù)據(jù)和特征，包括用戶行為數(shù)據(jù)、內(nèi)容特征、社交網(wǎng)絡(luò)等，從而為用戶提供更加全面和精準(zhǔn)的推薦服務(wù)。同時(shí)，圖神經(jīng)網(wǎng)絡(luò)還可以與其他機(jī)器學(xué)習(xí)算法和技術(shù)相結(jié)合，進(jìn)一步提升推薦系統(tǒng)的性能[6]。因此，本文將圖神經(jīng)網(wǎng)絡(luò)和改進(jìn)自注意力網(wǎng)絡(luò)融合，構(gòu)建基于圖神經(jīng)網(wǎng)絡(luò)與改進(jìn)自注意力網(wǎng)絡(luò)融合的個(gè)性化推薦模型（CNN-SAP） 。該模型能夠從用戶歷史交互行為中獲取交互行為的序列信息，并且加入當(dāng)前目標(biāo)相關(guān)位置信息，以此保證更佳的個(gè)性化推薦。該模型的整體結(jié)構(gòu)如圖1所示。

該模型整體包含兩個(gè)部分，分別為圖神經(jīng)網(wǎng)絡(luò)和改進(jìn)自注意力網(wǎng)絡(luò)。通過(guò)圖神經(jīng)網(wǎng)絡(luò)獲取當(dāng)前目標(biāo)相鄰內(nèi)容的節(jié)點(diǎn)信息，并利用改進(jìn)自注意力網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)的全局項(xiàng)目轉(zhuǎn)換，以此可分別從兩個(gè)角度獲取用于下一次點(diǎn)擊目標(biāo)的意圖，即用戶偏好。對(duì)兩者進(jìn)行線性融合后，實(shí)現(xiàn)用于下一次點(diǎn)擊目標(biāo)的預(yù)測(cè)，依據(jù)預(yù)測(cè)結(jié)果輸出目標(biāo)的推薦列表。

1.2.2 意圖嵌入

意圖嵌入是模型中改進(jìn)注意力神經(jīng)網(wǎng)絡(luò)的核心，是保證個(gè)性化推薦的基礎(chǔ)，將e（0） ui 和e（0） pj 作為改進(jìn)注意力神經(jīng)網(wǎng)絡(luò)的輸入，以此生成意圖嵌入，生成用戶、意圖、目標(biāo)的三元組，進(jìn)而構(gòu)建新的異構(gòu)圖，即為意圖圖。意圖是考慮目標(biāo)不同屬性，針對(duì)不同的用戶行為實(shí)現(xiàn)不同意圖的抽象處理，例如目標(biāo)類(lèi)型、目標(biāo)評(píng)分等；通過(guò)該抽象處理實(shí)現(xiàn)用戶對(duì)于目標(biāo)行為的深度描述。嵌入流程如圖2所示。

如果所有用戶意圖集合用Z 表示，將每一個(gè)用戶和目標(biāo)的交互行為進(jìn)行分解，形成的三元組后實(shí)現(xiàn)意圖嵌入ez，其計(jì)算公式為：

式中：α（r，z）表示注意力得分，er 表示關(guān)系嵌入；t ∈ R 表示特定關(guān)系。

改進(jìn)注意力神經(jīng)網(wǎng)絡(luò)可向每個(gè)關(guān)系分配一個(gè)注意力得分，以此實(shí)現(xiàn)各個(gè)意圖中特定關(guān)系的重要度的量化描述，其計(jì)算公式為：

式中：wrz 和wr′z 均表示特定關(guān)系和特定意圖之間的可訓(xùn)練權(quán)重。

完成意圖圖構(gòu)建后，在該圖中，捕獲用戶對(duì)于目標(biāo)具備相似偏好的意圖，圍繞用戶u 的一階聯(lián)通信息用Au 表示，在此基礎(chǔ)上生成用戶歷史交互目標(biāo)的意圖信息，其公式為：

式中：Agg （ ）表示圖卷積神經(jīng)網(wǎng)絡(luò)的聚合函數(shù)；e（0） i 表示目標(biāo)的ID嵌入。

文中引入注意力權(quán)重β （u，p）輔助模型實(shí)現(xiàn)不同意圖z對(duì)于用戶的重要性判斷，β （u，p）的計(jì)算公式為：

式中：T表示階數(shù)。

目標(biāo)i 的屬性和一階連通性用Ai 表示，依據(jù)知識(shí)圖譜中實(shí)體連接的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)目標(biāo)感知后生成目標(biāo)i，其計(jì)算公式為：

式中：e（1） i 表示一階連通聚合目標(biāo)的嵌入信息；AggKG （ ）表示提取目標(biāo)的聚焦函數(shù)；v 表示知識(shí)圖譜中實(shí)體，即圖中的推薦目標(biāo)；er表示特定關(guān)系的嵌入。

依據(jù)上述步驟即可完成用戶意圖建模，以此更好地描述用戶行為，為后續(xù)個(gè)性化推薦提供依據(jù)。

1.2.3 位置嵌入

位置嵌入指的是對(duì)目標(biāo)序列的位置信息進(jìn)行嵌入。目標(biāo)歷史交互順序能夠體現(xiàn)用戶在不同時(shí)間下的變化情況。為保存目標(biāo)交互的位置信息，通過(guò)圖神經(jīng)網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)和目標(biāo)全局序列的捕獲，并引入可學(xué)習(xí)的位置嵌入模塊，以此更好地保存目標(biāo)序列中的信息。目標(biāo)歷史交互序列以及序列節(jié)點(diǎn)的計(jì)算公式為：

式中：目標(biāo)長(zhǎng)度用n 表示；hi 表示圖神經(jīng)網(wǎng)絡(luò)提取的目標(biāo)節(jié)點(diǎn)；ci 表示歷史序列中用戶點(diǎn)擊的目標(biāo)記錄；位置信息用Pi表示，且P = [ P1，P1，...，P ] i 。

1.2.4 用戶偏好計(jì)算

依據(jù)上述小結(jié)完成意圖嵌入和位置嵌入后，將用戶和目標(biāo)向量批量式輸入模型中進(jìn)行訓(xùn)練，并采用矩陣描述節(jié)點(diǎn)生成向量的過(guò)程。如果圖神經(jīng)網(wǎng)絡(luò)提取的目標(biāo)節(jié)點(diǎn)初始嵌入矩陣用H（0）表示，則經(jīng)過(guò)l層迭代訓(xùn)練后，節(jié)點(diǎn)的嵌入矩陣用H（l）表示，其計(jì)算公式為：

H（l） = f （H（l - 1）w（l） ） + LH（l - 1） （12）

式中：f （.）表示激活函數(shù)；w（l）表示經(jīng)過(guò)l層迭代訓(xùn)練后的權(quán)重；L表示用戶和目標(biāo)圖的拉普拉斯矩陣。

由于不同的交互行為對(duì)于目標(biāo)的推薦結(jié)果存在差異性影響，以此須定義行為權(quán)重，其計(jì)算公式為：

式中：βk 和βt 分別表示用戶第k 個(gè)交互行為和第t個(gè)交互行為的語(yǔ)義參數(shù)；nk 和nt 分別表示第k 個(gè)交互行為和第t個(gè)交互行為的次數(shù)。

在上述公式的基礎(chǔ)上，計(jì)算用戶對(duì)于目標(biāo)的偏好，其計(jì)算公式為：

式中：qk 表示交互行為；y?qkij 表示在交互行為qk 下，用戶對(duì)于目標(biāo)的偏好預(yù)測(cè)結(jié)果。

模型在訓(xùn)練過(guò)程中，為保證個(gè)性化的推薦效果，選擇貝葉斯個(gè)性化排序損失函數(shù)Loss 實(shí)現(xiàn)模型優(yōu)化，并完成模型中各個(gè)參數(shù)學(xué)習(xí)，Loss 的計(jì)算公式為：

式中：σ（?）表示sigmoid函數(shù)；O表示用戶對(duì)于目標(biāo)的行為訓(xùn)練數(shù)據(jù)集；ψ 表示正則化系數(shù)；Θ表訓(xùn)練參數(shù)集合y （u，i）和y （u，j ）分別表示用戶對(duì)于目標(biāo)i、j的偏好。

1.2.5 個(gè)性化推薦列表輸出

依據(jù)上述小結(jié)完成用戶對(duì)于目標(biāo)的偏好的計(jì)算后，依據(jù)y?ij 的計(jì)算結(jié)果進(jìn)行個(gè)性化推薦列表生成，在該步驟中，模型為保證目標(biāo)推薦效果，通過(guò)融合的方式完成，向冷啟動(dòng)用戶提供非個(gè)性化推薦，并利用冷啟動(dòng)參數(shù)實(shí)現(xiàn)個(gè)性化推薦和非個(gè)性化的推薦參數(shù)的平衡，該參數(shù)的計(jì)算公式為：

式中：κi 表示冷啟動(dòng)參數(shù)；φ 表示新用戶的冷啟動(dòng)閾值；niree 表示用戶的歷史交互記錄數(shù)量；f 表示激活函數(shù)。

依據(jù)上述參數(shù)的計(jì)算結(jié)果進(jìn)行個(gè)性化推薦，輸出最終的推薦結(jié)果，其計(jì)算公式為：

式中：γmax 和λmax 分別表示交互次數(shù)最多的目標(biāo)和用戶評(píng)價(jià)最高的目標(biāo)。依據(jù)公式（17） 的計(jì)算結(jié)果即可獲取個(gè)性化推薦結(jié)果。

2 測(cè)試分析

為驗(yàn)證該方法的個(gè)性化推薦結(jié)果，本文選擇某小說(shuō)網(wǎng)站作為測(cè)試對(duì)象，對(duì)該方法的應(yīng)用效果進(jìn)行相關(guān)測(cè)試。該小說(shuō)網(wǎng)站主要包含玄幻小說(shuō)、都市小說(shuō)、神話小說(shuō)、偵探小說(shuō)、恐怖小說(shuō)、犯罪小說(shuō)、武俠小說(shuō)、歷史小說(shuō)等幾十種類(lèi)別。為實(shí)現(xiàn)各類(lèi)小說(shuō)的針對(duì)性推薦，提高用戶的服務(wù)滿意度，將本文提出的系統(tǒng)應(yīng)用于該網(wǎng)站中，進(jìn)行個(gè)性化推薦，并獲取系統(tǒng)的推薦測(cè)試結(jié)果。

為驗(yàn)證本文系統(tǒng)的個(gè)性化推薦效果，采用歸一化折損累計(jì)增益作為評(píng)價(jià)指標(biāo)。該指標(biāo)能夠衡量推薦列表排序的準(zhǔn)確性，通過(guò)推薦列表排序情況可分析個(gè)性化推薦質(zhì)量。該指標(biāo)的取值在0～1，其值越大，表示推薦效果越差；反之，該指標(biāo)越小，則推薦效果越佳。隨機(jī)選擇一種類(lèi)別的小說(shuō)，獲取應(yīng)用本文方法后，隨著推薦列表長(zhǎng)度的不斷增加，采用本文系統(tǒng)進(jìn)行個(gè)性化推薦后的歸一化折損累計(jì)增益計(jì)算結(jié)果，測(cè)試結(jié)果如表1所示。

分析表1的測(cè)試結(jié)果可知：在不同的歷史行為信息數(shù)量下，隨著推薦列表長(zhǎng)度的不斷增加，本文提出的系統(tǒng)均可較好地實(shí)現(xiàn)個(gè)性化推薦，推薦列表的歸一化折損累計(jì)增益的計(jì)算結(jié)果均在0.122以下。該系統(tǒng)在進(jìn)行個(gè)性化推薦時(shí)，以結(jié)合用戶意圖和目標(biāo)位置圖嵌入為基礎(chǔ)，同時(shí)引入用戶的偏好計(jì)算，因此可更好地判斷用戶的需求，從而提供可靠的個(gè)性化推薦服務(wù)。

3 結(jié)束語(yǔ)

在互聯(lián)網(wǎng)高速發(fā)展的當(dāng)下，個(gè)性化推薦是諸多行業(yè)的重點(diǎn)關(guān)注內(nèi)容，個(gè)性化推薦效果直接影響用戶對(duì)該行業(yè)的體驗(yàn)感。因此，提高個(gè)性化推薦水平是保證行業(yè)發(fā)展的基礎(chǔ)。本文針對(duì)個(gè)性化推薦存在的不足進(jìn)行分析后，研究了基于圖神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)。該系統(tǒng)結(jié)合圖神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，并引入其他深度學(xué)習(xí)模型，以更好地判斷用戶的偏好，從而實(shí)現(xiàn)個(gè)性化推薦。對(duì)本文提出的系統(tǒng)的推薦結(jié)果進(jìn)行測(cè)試分析后確定，其具備較好的應(yīng)用效果，能夠滿足個(gè)性化推薦需求，提升用戶的體驗(yàn)感和滿意度。

參考文獻(xiàn)：

[1] 王建芳，文茜琳，楊許，等. 基于偏差的圖注意力神經(jīng)網(wǎng)絡(luò)推薦算法[J]. 控制與決策，2022，37（7）：1705-1712.

[2] 危楓，胡飛，王晨子，等. 基于輕量圖卷積神經(jīng)網(wǎng)絡(luò)的IPTV推薦系統(tǒng)[J]. 軟件，2022，43（6）：6-8，25.

[3] 盛強(qiáng)，成衛(wèi)青. 基于圖神經(jīng)網(wǎng)絡(luò)和改進(jìn)自注意網(wǎng)絡(luò)的會(huì)話推薦[J]. 南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（5）：91-100.

[4] 范鈺，范洪博. 基于圖神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)模型[J]. 現(xiàn)代電子技術(shù)，2024，47（3）：85-90.

[5] 柴文光，張振杰. 基于圖注意力卷積神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用與軟件，2023，40（8）：201-206，273.

[6] 顏禎，謝瑾奎，曹磊亮. 基于鄰域交互和圖神經(jīng)網(wǎng)絡(luò)的推薦模型[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2023，44（7）：1391-1397.

【通聯(lián)編輯：謝媛媛】