靳康杰　王藝源

摘要：為提升個性化推薦質(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)，分析用戶的個性化需求和潛在興趣點，確定用戶-行為向量，將其作為圖神經(jīng)網(wǎng)絡(luò)與改進自注意力網(wǎng)絡(luò)融合的個性化推薦模型的輸入。通過模型對向量進行處理，實現(xiàn)用戶意圖嵌入和目標位置嵌入，依據(jù)嵌入結(jié)果計算用戶偏好，結(jié)合用戶的偏好情況，實現(xiàn)個性化推薦。測試結(jié)果顯示，該系統(tǒng)的個性化推薦效果較好，歸一化折損累計增益值均在0.122以下，推薦質(zhì)量較高。

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

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）13-0021-03 開放科學（資源服務(wù)）標識碼（OSID） ：

0 引言

聯(lián)網(wǎng)技術(shù)的發(fā)展和普及使得信息過載成為一個日益嚴重的問題，用戶在面對海量的數(shù)據(jù)時，往往難以快速找到符合自己興趣和需求的信息[1]。因此，個性化推薦系統(tǒng)應(yīng)運而生，它能夠根據(jù)用戶的個性化需求和興趣，提供精準的推薦服務(wù)，從而極大地提高了用戶體驗和信息獲取的效率[2]。傳統(tǒng)的推薦系統(tǒng)通?；谟脩粜袨閿?shù)據(jù)和內(nèi)容特征進行推薦，存在冷啟動問題、數(shù)據(jù)稀疏性和信息過濾的挑戰(zhàn)，導(dǎo)致推薦結(jié)果個性化能力較差，無法精準分析用戶的需求[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)的深度學習模型，通過對節(jié)點和邊的嵌入學習，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，更精準地為用戶提供推薦服務(wù)。因此，為保證個性化的推薦結(jié)果，本文設(shè)計了基于圖神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)。

1 個性化推薦系統(tǒng)

1.1 用戶行為分析

個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的算法和技術(shù)，對用戶的歷史數(shù)據(jù)進行深入分析和挖掘，以發(fā)現(xiàn)用戶的個性化需求和潛在興趣點，并基于這些發(fā)現(xiàn)為用戶提供精準推薦[4]。因此，為實現(xiàn)精準的個性化推薦，本文需依據(jù)用戶的需求、偏好行為進行分析。首先進行用戶集合U 和目標集合P 的構(gòu)建，同時確定兩者之間的交互行為集合H，三者的計算公式為：

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、目標數(shù)量以及交互類型數(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)作為無向圖，用G = （W，ξ）表示，其主要包含兩種實體節(jié)點集合，分別為用戶節(jié)點U 和目標節(jié)點M，且U ? M = W；ξ為邊集，且：

sk 表示任一用戶ui 和任一目標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之間ID的處理，形成一維度向量空間中的兩個向量，分別用e（0） ui和e（0） pj 表示，即為用戶-行為向量，將該向量作為個性化推薦模型的輸入。

1.2 個性化推薦系統(tǒng)設(shè)計

1.2.1 系統(tǒng)的推薦流程

基于圖神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)，能夠通過對用戶行為圖、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)具有更強的特征表示能力和學習能力，能夠更準確地捕捉用戶的個性化需求，從而提高推薦的準確性和個性化程度[5]。它可以方便地整合多種類型的數(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的推薦服務(wù)。同時，圖神經(jīng)網(wǎng)絡(luò)還可以與其他機器學習算法和技術(shù)相結(jié)合，進一步提升推薦系統(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)與改進自注意力網(wǎng)絡(luò)融合的個性化推薦模型（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，并且加入當前目標相關(guān)位置信息，以此保證更佳的個性化推薦。該模型的整體結(jié)構(gòu)如圖1所示。

該模型整體包含兩個部分，分別為圖神經(jīng)網(wǎng)絡(luò)和改進自注意力網(wǎng)絡(luò)。通過圖神經(jīng)網(wǎng)絡(luò)獲取當前目標相鄰內(nèi)容的節(jié)點信息，并利用改進自注意力網(wǎng)絡(luò)實現(xiàn)目標的全局項目轉(zhuǎn)換，以此可分別從兩個角度獲取用于下一次點擊目標的意圖，即用戶偏好。對兩者進行線性融合后，實現(xiàn)用于下一次點擊目標的預(yù)測，依據(jù)預(yù)測結(jié)果輸出目標的推薦列表。

1.2.2 意圖嵌入

意圖嵌入是模型中改進注意力神經(jīng)網(wǎng)絡(luò)的核心，是保證個性化推薦的基礎(chǔ)，將e（0） ui 和e（0） pj 作為改進注意力神經(jīng)網(wǎng)絡(luò)的輸入，以此生成意圖嵌入，生成用戶、意圖、目標的三元組，進而構(gòu)建新的異構(gòu)圖，即為意圖圖。意圖是考慮目標不同屬性，針對不同的用戶行為實現(xiàn)不同意圖的抽象處理，例如目標類型、目標評分等；通過該抽象處理實現(xiàn)用戶對于目標行為的深度描述。嵌入流程如圖2所示。

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

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。

改進注意力神經(jīng)網(wǎng)絡(luò)可向每個關(guān)系分配一個注意力得分，以此實現(xiàn)各個意圖中特定關(guān)系的重要度的量化描述，其計算公式為：

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，捕獲用戶對于目標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 表示目標的ID嵌入。

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

式中：T表示階數(shù)。

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

式中：e（1） i 表示一階連通聚合目標的嵌入信息；AggKG （ ）表示提取目標的聚焦函數(shù)；v 表示知識圖譜中實體，即圖中的推薦目標；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)個性化推薦提供依據(jù)。

1.2.3 位置嵌入

位置嵌入指的是對目標序列的位置信息進行嵌入。目標歷史交互順序能夠體現(xiàn)用戶在不同時間下的變化情況。為保存目標交互的位置信息，通過圖神經(jīng)網(wǎng)絡(luò)進行節(jié)點和目標全局序列的捕獲，并引入可學習的位置嵌入模塊，以此更好地保存目標序列中的信息。目標歷史交互序列以及序列節(jié)點的計算公式為：

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

1.2.4 用戶偏好計算

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

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l層迭代訓(xùn)練后的權(quán)重；L表示用戶和目標圖的拉普拉斯矩陣。

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

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

在上述公式的基礎(chǔ)上，計算用戶對于目標的偏好，其計算公式為：

式中：qk 表示交互行為；y?qkij 表示在交互行為qk 下，用戶對于目標的偏好預(yù)測結(jié)果。

模型在訓(xùn)練過程中，為保證個性化的推薦效果，選擇貝葉斯個性化排序損失函數(shù)Loss 實現(xiàn)模型優(yōu)化，并完成模型中各個參數(shù)學習，Loss 的計算公式為：

式中：σ（?）表示sigmoid函數(shù)；O表示用戶對于目標的行為訓(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 ）分別表示用戶對于目標i、j的偏好。

1.2.5 個性化推薦列表輸出

依據(jù)上述小結(jié)完成用戶對于目標的偏好的計算后，依據(jù)y?ij 的計算結(jié)果進行個性化推薦列表生成，在該步驟中，模型為保證目標推薦效果，通過融合的方式完成，向冷啟動用戶提供非個性化推薦，并利用冷啟動參數(shù)實現(xiàn)個性化推薦和非個性化的推薦參數(shù)的平衡，該參數(shù)的計算公式為：

式中：κi 表示冷啟動參數(shù)；φ 表示新用戶的冷啟動閾值；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)的計算結(jié)果進行個性化推薦，輸出最終的推薦結(jié)果，其計算公式為：

式中：γmax 和λmax 分別表示交互次數(shù)最多的目標和用戶評價最高的目標。依據(jù)公式（17） 的計算結(jié)果即可獲取個性化推薦結(jié)果。

2 測試分析

為驗證該方法的個性化推薦結(jié)果，本文選擇某小說網(wǎng)站作為測試對象，對該方法的應(yīng)用效果進行相關(guān)測試。該小說網(wǎng)站主要包含玄幻小說、都市小說、神話小說、偵探小說、恐怖小說、犯罪小說、武俠小說、歷史小說等幾十種類別。為實現(xiàn)各類小說的針對性推薦，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，進行個性化推薦，并獲取系統(tǒng)的推薦測試結(jié)果。

為驗證本文系統(tǒng)的個性化推薦效果，采用歸一化折損累計增益作為評價指標。該指標能夠衡量推薦列表排序的準確性，通過推薦列表排序情況可分析個性化推薦質(zhì)量。該指標的取值在0～1，其值越大，表示推薦效果越差；反之，該指標越小，則推薦效果越佳。隨機選擇一種類別的小說，獲取應(yīng)用本文方法后，隨著推薦列表長度的不斷增加，采用本文系統(tǒng)進行個性化推薦后的歸一化折損累計增益計算結(jié)果，測試結(jié)果如表1所示。

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

3 結(jié)束語

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

參考文獻：

[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，成衛(wèi)青. 基于圖神經(jīng)網(wǎng)絡(luò)和改進自注意網(wǎng)絡(luò)的會話推薦[J]. 南京郵電大學學報（自然科學版），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]. 計算機應(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]. 小型微型計算機系統(tǒng)，2023，44（7）：1391-1397.

【通聯(lián)編輯：謝媛媛】