基于雙通道輕量圖卷積的序列推薦算法*

羅 旭,汪海濤,賀建峰

(昆明理工大學信息工程與自動化學院,云南 昆明 650500)

1 引言

序列推薦作為推薦系統中一個重要的分支,近些年來在很多領域得到了極大的關注,如電子商務、在線服務等[1]。序列推薦是解決網絡信息過載問題的有效算法之一,其重點圍繞著如何從用戶的歷史交互行為中挖掘出用戶最近的偏好以及歷史長期偏好,來為其生成個性化的推薦。

早期的序列推薦一般都是采用基于馬爾科夫鏈的算法[2-4]來捕獲基于馬爾科夫鏈的高階序列模式,這些算法共有的局限性在于其只能捕獲局部模式,即重點關注短期依賴關系而忽略了長期依賴關系。近些年來,基于深度神經網絡的算法,因其強大的序列建模能力,成為了眾多研究人員研究的重點,并提出了各式各樣的基于深度神經網絡的算法,典型的包括循環神經網絡RNN(Recurrent Neural Network)、卷積神經網絡CNN(Convolutional Neural Network)和Transformer等[5-7]。然而,這些算法的局限性在于,它們只能建模連續項之間的單向轉換,而忽略了同一個交互序列中其他上下文項目之間的轉換。為了解決這一問題,很多研究人員將最近熱門的圖神經網絡[8-10]引入進來。基于圖的算法首先通過構圖將交互序列轉換為序列圖,再利用圖神經網絡對圖中的節點之間的復雜關系進行建模。

雖然上述算法都取得了不錯的效果,但它們都只對目標用戶交互序列中的項目轉換進行建模,而忽略了鄰居的交互序列中的項目轉換,這些項目轉換中包含了潛在的協作信息,可以反映不同用戶之間類似的行為模式,這些協作信息對于推薦是有幫助的。另外,He等人[11]提出的LightGCN算法,雖然對于推薦系統是有效的,但其在獲得最終的嵌入表示時,是將每一層得到的嵌入取平均值,這種做法是存在局限性的,因為每一層得到的信息對于最終的項目嵌入所應該分配的權重顯然是不同的。

基于上述分析,本文提出了一種基于雙通道輕量圖卷積的序列推薦算法,命名為DLGC(Dual-channel Light Graph Convolution)。本文的主要工作如下:

(1)構圖階段將目標用戶序列和得到的鄰居序列進行合并生成一個總的有向圖,充分利用用戶之間潛在的協作信息。

(2)使用雙通道輕量圖卷積,分別對目標用戶序列和鄰居序列進行信息傳播,通過指數分母的形式給每一層不同的權重,將每一層的信息進行聚合得到每個通道的嵌入矩陣,然后將得到的2個通道的嵌入通過拼接操作生成最終的項目嵌入矩陣,提高序列推薦的有效性。

(3)在2個公開數據集Beauty和MovieLens-20M上進行了充分的實驗,實驗結果表明,本文提出的DLGC在HR和NDCG這2個評價指標上都有提升,表明了本文提出的序列推薦算法DLGC的有效性。

2 相關工作

2.1 序列推薦

在序列推薦[12]早期的研究中,大多數的算法都是基于馬爾可夫鏈[2,3]的,根據用戶的最后一個行為來推薦下一個將要進行的交互行為。Rendle等人[13]提出的因子分解個性化馬爾可夫鏈FPMC(Factorizing Personalized Markov Chains) 通過結合矩陣分解和馬爾科夫鏈來學習項目之間遷移的概率矩陣,然后根據用戶的最后一個交互項目進行下一項推薦。但是,基于馬爾可夫鏈的算法缺點也比較明顯,它缺乏有效學習長期依賴中復雜行為的能力。隨著深度學習在各個領域的興起,大多數序列推薦的研究開始與各種深度神經網絡相結合。Hidasi等人[14]在序列推薦當中引入循環神經網絡RNN,利用門控循環單元GRU(Gate Recurrent Unit),從用戶的歷史交互序列中學習長期依賴關系。Tang等人[7]使用卷積神經網絡CNN來進行序列推薦,提出了Caser算法,其將項目嵌入看作圖像的特征映射,并對其進行卷積操作,以學習項目之間的局部依賴關系。自注意力機制在序列推薦中一般用來為每個項目分配不同的權重,對推薦起關鍵性作用的項目分配更大的權重,而那些與下一個交互項目不太相關的項目,則分配較小的權重。Kang等人[15]提出了一種名為SASRec(Self- Attentive Sequential Recommendation)的序列推薦算法,其采用多頭自注意力機制來建模用戶的交互序列。Jiang等人[16]提出了一種名為AdaMCT(Adaptive Mixture of CNN-Transformer)的算法,有效地混合CNN和Transformer來建模歷史項目序列的局部和全局依賴關系。Du等人[17]提出了一種名為CBiT(Contrastive learning with Bidirectional Transformers for sequential recommendation)的算法,在雙向Transformer中應用滑動窗口技術,從而能夠對用戶序列進行更細粒度的劃分,再結合對比學習獲取更高的推薦準確率。

2.2 圖神經網絡用于序列推薦

在實際的推薦應用場景中,用戶的交互序列是可以用圖結構來表示的,節點表示項目,邊表示節點間的關系。這些年,圖神經網絡因其強大的圖結構數據的學習能力,在很多領域得到了廣泛的應用,包括推薦系統。圖神經網絡在序列推薦中的應用主要體現在構造序列圖和信息傳播2個方面,總體來說就是應用在項目嵌入部分。

目前構建序列圖的方法主要有2種:一種是利用額外的交互序列來豐富圖的結構,附加的序列可以是其他用戶的交互序列、同一用戶的歷史交互序列以及系統中所有的交互序列等。Wang等人[18]提出了一種名為MGNN-SPred(Multi-relational Graph Neural Network model for Session-based target behavior Prediction) 的算法,其利用所有的交互序列構成一個多關系項目圖,包括目標和輔助行為類型。另一種方法是調整當前序列圖的結構,比如Pan等人[19]在SGNN-HN(Star Graph Neural Network with Highway Network for session-based recommendation)算法中引入一個自設的虛擬star節點作為序列圖的中心,該節點與序列圖中的每個節點之間都通過雙向邊連接。

Figure 1 Process of DLGC algorithm圖1 DLGC算法處理過程

在得到構建好的序列圖后,需進行信息傳播來學習序列中項目之間的轉換模式。門控圖神經網絡GGNN(Gated Graph Neural Network)及其變體目前被廣泛用于在有向圖上傳播信息。GGNN通過平均池分別聚合前一項和下一項的信息并組合這2種信息,再利用GRU組件集成中心節點和鄰居節點的信息。比如Chen等人[20]提出的DAT-MDI(Dual Attention Transfer in session-based recommendation with Multi-Dimensional Integration)算法就是GGNN的變體之一。

除了上述工作,目前基于圖神經網絡的序列推薦算法的研究比較廣泛,包括對超圖神經網絡的研究、圖對比學習方法等[21-23]。比如,Zhang等人[22]提出了一種基于圖對比學習的序列推薦算法GCL4SR(Graph Contrastive Learning for Sequential Recommendation),利用所有交互序列生成加權項目轉換圖,為所有交互提供全局上下文信息。Yang等人[23]設計了一個多行為超圖增強Transformer框架MBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)來捕獲用戶短期和長期的跨類型行為的依賴關系。

本文通過從其他用戶的交互序列中,為目標用戶生成對應的鄰居交互序列,再將目標用戶序列和鄰居交互序列合并為一個有向序列圖,充分利用用戶之間潛在的協作信息。同時,使用一個雙通道輕量圖卷積結構來進行信息傳播,生成更準確更有意義的項目嵌入,從而使得后續的偏好學習能夠更有效,提高推薦算法的性能。

3 基于雙通道輕量圖卷積的序列推薦

3.1 問題定義

令U和V分別表示用戶集合和項目集合,S={s1,s2,…,s|U|}表示所有的用戶項目交互序列,su={v1,v2,…,vn}表示用戶u按時間順序交互的n個項目,其中,u∈U,vt表示在時間步t交互的項目。序列推薦的目標:給定目標用戶u的交互序列su,通過計算得到用戶在t+1時間步最有可能交互的前N個項目列表Top-N。

3.2 基于圖的項目嵌入生成方法

3.2.1 有向序列圖的生成

在學習項目嵌入之前,首先要將用戶的交互序列構建成圖結構。本文不僅將目標用戶的交互序列構建成圖結構,而且還利用了相似的鄰居序列,即最終生成的圖是由目標用戶序列和鄰居序列共同構建而成的,這樣可以充分利用其他用戶潛在的協作信息。

構圖之前,需要找到鄰居序列,這個尋找過程本質上是對比序列之間的相似度。以往有的方法是簡單比較2個序列之中重復的項目數,重復項目越多相似度越高。但是,這種方法存在一定的局限性,比如對于用戶ui的交互序列{v1,v2,v3}和uj的交互序列{v3,v2,v1},在二者的交互序列中項目數量情況完全一致,但交互的時間順序完全相反,若將這2個序列視為相似序列,是存在一定問題的。因此,本文在已有方法的基礎上,提出了一種新的構圖方法,具體如下:

首先保留判斷項目重復數的做法,這樣可以過濾掉大部分基本不相似的交互序列。然后在剩下的交互序列中,為每個交互序列生成一個有向圖,有向圖的節點為項目,邊為項目之間的關系,即如果vi是vj的上一次點擊,則生成一條vi指向vj的邊。接著將原序列su(目標用戶的交互序列)生成的圖與其他序列生成的圖進行比較,判斷是否相似。

Figure 2 Construction of graph圖2 圖的構建

從數學的角度來說,本質上是比較二者的鄰接矩陣。具體來說,對于2個序列,它們生成的圖的鄰接矩陣分別為A1和A2,對2個矩陣進行減法操作得到新的矩陣At,再將At與A1進行比較,如果A1中原本為1的元素,在At中大多數變成了0,則可以認為這2個序列是相似的。這里需要注意的是,交互序列中的項目數不同,導致鄰接矩陣的階數不同,所以在計算之前,需要將2個鄰接矩陣的階數統一,即低階矩陣通過補0變為高階矩陣。

At=A1-A2

(1)

對于得到的全體鄰居序列,綜合相同項目數和相似度進行排序,得到原序列su的前m個鄰居序列后,將所有序列合并,生成最終的有向序列圖G,如圖2所示。

鄰居序列集合記為Nsu,最終的有向序列圖G中的每個節點為原序列su和鄰居序列Nsu中的節點,邊為項目的交互順序。

算法1 有向序列圖生成算法輸入:用戶項目交互序列S。輸出:有向序列圖G。(1)for si in S:(2) if counts(su)=or≈counts(si)//統計重復項目數 add si into Sinitial;//Sinitial為初始鄰居序列(3)end for(4)A and Au←graphGenerate(Sinitial ,su);/*Au表示交互序列su對應的鄰接矩陣,A表示Sinitial中交互序列得到的鄰接矩陣集合*/(5)for Aj in A:(6) At←Aj-Au;(7) if isSimilar(At,Au)=true(8) add sj into N;//sj為Aj對應的序列(9)end for//得到全體鄰居序列N(10)Nsu← rank(N);//對N排序(11)G← merge(su,Nsu);(12)return G

3.2.2 雙通道輕量圖卷積生成項目嵌入

在通過上述構建方法得到最終的有向圖之后,算法將利用多層神經網絡來傳播節點信息并生成項目嵌入,最終圖中的每個項目節點vi都聚合了圖中的鄰居節點所攜帶的信息。

通過He等人[11]提出的LightGCN算法驗證了傳統GCN中常用的特征轉換和非線性激活對于性能的貢獻較小,最終只保留GCN中的鄰居聚合。本文在構圖階段,加入鄰居序列的協作信息之后,生成的有向序列圖將會更大,這可能會降低算法的訓練效率。而LightGCN具有輕量的特性,能夠更高效地訓練算法,這恰好能彌補構圖階段帶來的不足。因此,本文將使用LightGCN來進行信息傳播。

另外,由于本文不僅利用了目標用戶的交互序列,還利用了鄰居用戶的鄰居序列,二者對最終的推薦所帶來的影響是不同的,前者反映的是用戶本身的行為信息,后者反映的是鄰居用戶的協作信息。因此,本文為2種類型的節點分別進行信息傳播,即設計了一個雙通道輕量圖卷積算法(DLGC)來生成項目嵌入,雙通道分別為原序列通道和鄰居序列通道,如圖3所示,其中K表示通道的層數。

Figure 3 Dual-channel light graph convolution圖3 雙通道輕量圖卷積

(2)

(3)

LightGCN算法通過簡單的求平均來生成最終的嵌入表示,即簡單地將每一層得到的節點信息視為同等重要。但實際上,在較前面和較后面的層中得到的節點信息,其二者對最終的嵌入表示的重要性顯然是不同的。因此,本文通過使用指數分母的形式,為每一層得到的節點信息分配不同的權重,削弱前面層的影響,來組合每一層的節點信息。具體的組合方式如式(4)和式(5)所示:

(4)

(5)

(6)

3.3 用戶偏好學習

本節主要描述如何從上述生成的項目嵌入中學習出用戶的短期和長期偏好,算法學習過程如圖4所示。

3.3.1 短期偏好學習

通常來說,用戶的短期偏好一般與其最后交互的幾個項目相關,以往有些工作將最后一個項目的嵌入直接作為短期偏好,并證實其具有有效性。因此,本文在學習用戶的短期偏好時,并不使用以往用得較多的卷積神經網絡以及其他網絡,而是簡單地對項目嵌入矩陣中的后幾項直接進行運算。具體來說,對于用戶u所對應的項目嵌入矩陣E={e1,e2,…,en},本文截取最后o項,再通過取平均生成用戶u的短期偏好表示Pshort,如式(7)所示:

(7)

Figure 4 Process of long-and short-term preference learning圖4 長期和短期偏好學習過程

3.3.2 長期偏好學習

用戶的長期偏好相對而言是穩定的,與交互序列中不同時間段交互的項目都有關。Jiang等人[16]指出以往使用的自注意力機制(Self- Attention),通過點擊縮放和softmax函數為每個項目生成一個權重,但這些權重的和總是為1,即互斥的,無法同時考慮到多個與下一項交互高相關的項目。AdaMCT中引入了Hu等人[24]提出的擠壓-激勵網絡SENet通過顯式地建模通道之間的相互依賴關系來重新校準通道級的特征,通道之間的關系是非互斥的。因此,本文對長期偏好的學習,是在多頭自注意力的基礎上引入SENet,其中,對于多個與下一項高度相關的項目,SENet會為它們都生成一個較大的權重。

長期偏好的具體學習方式如下所述:首先采用多頭自注意力機制,每個頭都采用縮放點積的計算方式,如式(8)和式(9)所示:

(8)

output(E)=

LN(Dropout(Attention(Q,K,V)Wo))

(9)

其中,Q、K和V分別表示項目嵌入矩陣E通過變換得到的可學習的矩陣,對應于查詢(query)、鍵(key)和值(value);Wo表示多頭自注意力輸出位置的可學習矩陣;LN(·)表示層歸一化運算;output(·)表示多頭自注意力的輸出;d表示向量維度。

之后通過SENet網絡為output(E)中的每個項目重新分配權重,同時考慮多個高相關的項目,從而有效地增強算法的表示能力,具體分配方式如式(10)～式(13)所示:

(10)

Fexcitation(z,W)=σ(W2δ(W1z))

(11)

α=SENet(z,W)=Fexcitation(z,W)

(12)

Fscale(output(E),α)=α·output(E)

(13)

其中,z表示通過擠壓函數得到的一維特征向量,zi表示擠壓得到的一維向量z的第i個分類,σ(·)和δ(·)分別表示sigmoid激活函數和ReLU非線性激活函數,W表示輸入的權值矩陣,W1和W2表示可學習的權值矩陣,α表示得到的權重值。

在得到權重值之后,通過式(14)得到最終的長期偏好表示Plong:

Plong=α?output(E)

(14)

其中,?表示使用廣播機制的的元素級操作。最后,將Pshort和Plong通過連接操作生成最終的用戶偏好表示Pfinal。

3.4 Top-N候選項目列表生成和算法的訓練與優化

(15)

(16)

在算法的訓練過程中,本文使用一個交叉熵損失函數來量化模型的誤差,如式(17)所示:

(17)

以20%甲醇為溶劑，將500 μg/mL的野黑櫻苷標準儲備液進一步稀釋成0.3、0.5、1、5、10、20、50、100 μg/mL標準溶液，進樣量10 μL，以質量濃度（x）為橫坐標、峰面積（y）為縱坐標作圖，得回歸方程y=15.796x-1.177，R2=0.9999（n=3）。說明在0.30～100 μg/mL范圍內有良好的線性關系。

4 實驗及結果對比

4.1 數據集的選擇與預處理

本文選取2個廣泛使用的公開數據集Beauty[25]和MovieLens-20M[26]進行實驗。Beauty是從亞馬遜平臺收集得來的,包含了美妝等產品的產品評論和元數據;MovieLens-20M是在推薦系統中廣泛使用的基準數據集,包含2 000多萬的用戶評分記錄。數據集詳情如表1所示。

Table 1 Statistics of experimental datasets表1 實驗數據集的統計數據

在進行實驗之前,本文先對2個數據集進行預處理。對于每個數據集,每個用戶有自己按交互時間順序進行排序的項目交互序列,然后將不活躍的用戶和被交互次數少于4次的項目全部去除掉。

4.2 實驗設置

4.2.1 評價指標

為了評估DLGC算法的性能,本文采用廣泛使用的留一法。具體而言,對于每個用戶的交互序列,本文將最后1個項目用于測試,倒數第2個項目用于驗證,剩余項目用于訓練。并遵循以往常見的做法,隨機抽樣99個未被該用戶交互過的項目作為負樣本,與最后1個項目組成包含100個項目的測試集。本文使用命中率HR(Hit Ratio)和歸一化折損累計增益NDCG(Normalize Discounted Cumulative Gain)這2個廣泛應用于推薦系統的評價指標來評價排名列表。

(1)HR@N:HR@N是一種用來評估召回率的指標,其表示Top-N列表中屬于測試集合中項目的占比。

(2)NDCG@N:NDCG@N用來評價排序結果的準確性。推薦系統通常為指定用戶返回一個Top-N列表,這時可以用NDCG@N評價該排序列表與用戶真實交互列表的差距。

4.2.2 實驗參數設置

對于所有算法,向量維度統一設置為64,涉及到注意力機制的算法,與SASRec中提到的一致,其注意力層數與頭數均設置為2。對于MovieLens-20M和Beauty,最大序列長度分別設置為200和50。退化率dropout根據MovieLens-20M和Beauty的稀疏性分別設置為0.2和0.5。

4.3 對比算法

為了充分驗證DLGC的有效性,本節將其與一些典型且較為先進的序列推薦算法進行對比。具體的對比算法如下:

(1)FPMC[13]:這是一種結合了矩陣分解和馬爾科夫鏈的算法,該算法可以在捕獲序列信息的同時,提取用戶的長期偏好。

(2)GRU4Rec+[27]:這是GRU4Rec(Gated Recurrent Unit for Recommender system)的提升版,使用與GRU4Rec不同的損失函數和采樣策略。

(3)Caser[7]:這是一種典型的將CNN 應用到序列推薦中的算法,通過對項目嵌入矩陣進行卷積操作從而提取用戶的短期偏好。

(4)SASRec[15]:這是一種將Transformer引入序列推薦的算法,該算法使用多頭自注意力機制為每個物品分配不同的權重,捕獲用戶的長期偏好。

(5)BERT4Rec(sequential Recommendation employing the deep Bidirectional Encoder Representations from Transformer to model user behavior sequences)[28]:這是一種在SASRec基礎上進行改進的算法。

(6)SURGE(SeqUential Recommendation with Graph neural nEtwork)[29]:這是一種引入GNN的序列推薦算法,從包含噪聲信息的交互序列中提取用戶當前的核心興趣。

(7)H2SeqRec(HyperbolicHypergraph representation learning method for Sequential Recommendation with the pre-training phase)[30]:這是一種基于超圖的序列推薦算法,提出了雙曲超圖表示學習方法。

對于對比算法,本文使用原始文獻提供的代碼來進行實驗。使用網格搜索的方式調整所有算法中通用共享的超參數。潛在向量的維度為16,32,64,128和256,注意力頭數為2～4。對于算法特有的超參數和初始化設置,維持原始文獻中所使用的默認設置。

4.4 DLGC整體性能分析

表2給出了在2個公開數據集上的各個算法的實驗結果。通過對實驗數據進行分析,本文得出了以下結果:

在2個數據集上,評價指標結果最差的為FPMC,這主要是因為FPMC只考慮了項目之間的一階關系,而忽略了高階關系。相比之下,Caser通過水平卷積層和垂直卷積層,以及聯合序列模式和一種跳躍行為來提取相鄰項的依賴關系,其性能優于FPMC。在非基于圖神經網絡的序列算法中,SASRec和BERT4Rec相較于GRU4Rec+等算法,性能有顯著提升,這表明了自注意力機制在建模序列行為時,具有一定的優越性。基于圖神經網絡的SURGE和H2SeqRec,其性能優于其他對比算法,且H2SeqRec在2個數據集上取得了相對較優的性能。這表明將交互序列轉換成圖結構數據,再通過圖神經網絡顯式建模復雜上下文轉換關系的有效性。

而本文提出的DLGC在2個評價指標上都優于其他基線算法。這得益于在構圖階段,引入了鄰居序列,充分利用了其他用戶的潛在協作信息。另外,在信息傳播階段,使用雙通道輕量圖卷積分別對2種序列進行信息傳播,得到更充分有效的項目嵌入,提升了算法的建模能力。

4.5 DLGC細節分析

本節驗證DLGC中嵌入維度d、鄰居序列數m以及指數分母形式對于實驗結果的影響。對某個參數進行分析之前,都將其余參數設置為最佳性能時的值。

4.5.1 嵌入維度d的分析

本小節分別對Caser、SASRec、H2SeqRec和DLGC進行嵌入維度d的分析,以NDCG@10作為評價指標,結果如圖5和圖6所示。從圖中可以明顯看出,隨著d的增加,算法的性能也隨之增加。當d達到64時,算法的性能并沒有繼續隨著d的增加而增加,而是趨于平穩或者有所下降。這說明并不是嵌入維度越高,算法的性能越好,嵌入維度越高反而會帶來過擬合的問題,導致算法的性能有所下降。因此,本文將嵌入維度設置為64,以獲得最佳的性能。

Figure 5 Effect of embedding dimensiond on Beauty圖5 Beauty上嵌入維度d的影響

Figure 6 Effect of embedding dimensiond on MovieLens-20M圖6 MovieLens-20M上嵌入維度d的影響

Table 2 Performance comparison between DLGC and baseline algorithms

4.5.2 鄰居序列數m的分析

只關注指定用戶的交互序列,無法充分利用到其他用戶潛在的協作信息,但是如果引入大量的鄰居序列,又會帶來大量的噪聲。因此,本小節對鄰居序列數m進行分析,m取值為0～100。實驗結果如圖7所示,當鄰居序列數m為50到70時,DLGC在2個數據集上都取得了較優的性能,當m為60時,性能最優。隨著鄰居序列的不斷引入,更多的協作信息也隨之引入,算法的性能也不斷提升,這說明引入鄰居序列是有效的。但是,越來越多相似性不高的鄰居序列引入會給算法帶來噪聲,從而降低算法的性能。因此,本文將鄰居序列數m設置為60。

Figure 7 Effect of number of neighbor sequences圖7 鄰居序列數量m的影響

4.5.3 指數分母形式有效性分析

本文在雙通道輕量圖卷積中,使用了一個指數分母形式來組合單個通道內的各層信息。本小節對指數分母形式的有效性進行分析,將其與另外2種方式進行對比,一種是直接取最后一個值作為結果(LastOne),另一種是求平均,也是LightGCN中的做法(Average)。這里不考慮使用深度神經網絡方式(比如自注意力機制)的原因是避免增加額外的網絡,影響雙通道輕量圖卷積的輕量特性。實驗結果如圖8所示。

Figure 8 Effect of combination modes圖8 組合方式的影響

從圖8中可以看出,本文使用的指數形式的組合方法,在2個數據集上都取得了最佳的效果,證實了該方式的有效性。比起LightGCN中使用的取平均方式性能更好,這是由于指數形式給每一層分配了不一樣的權重,前面層的重要程度相比于后面層的重要程度有所削弱。

4.6 消融實驗

本節驗證DLGC中核心部分的有效性,主要包括2個方面:構圖方式的有效性和雙通道輕量圖卷積的有效性。實驗結果如表3所示,表3中,DLGC-Number表示只考慮相同項目數量來生成前m個鄰居序列;DLGC-Single表示只使用單個輕量圖卷積來進行信息傳播。

Table 3 Results of ablation experiment表3 消融實驗結果

從表3中可以看出,相比于2個去除核心部分的DLGC,完整的DLGC在2個數據集上都取得了最佳的性能,驗證了2個核心部分的有效性。具體來說,通過先為每個序列生成一個有向圖,再對有向圖對應的鄰接矩陣進行運算等操作來判斷序列之間的相似性,能夠盡可能多地將高相似性的鄰居序列找到,從而充分利用其他用戶潛在的協作信息,對于最終的推薦起到了很大的幫助。另外,由于2種序列對最終的推薦所帶來的影響是不同的,前者反映的是用戶本身的行為信息,后者反映的是鄰居用戶的協作信息。將2種序列都輸入到單一輕量圖卷積中,無法有效地建模出項目之間的復雜關系轉換,而使用雙通道輕量圖卷積進行信息傳播,可以充分利用不同序列中所包含的信息,提升推薦的有效性。

5 結束語

本文考慮到目標用戶與其他用戶的交互序列中項目的復雜轉換關系,提出了一種基于雙通道輕量圖卷積的序列推薦算法。該算法不僅建模目標用戶的交互序列,還建模其鄰居用戶的交互序列,從而充分利用了用戶之間潛在的協作信息。同時使用一個雙通道輕量圖卷積分別對2種序列中的節點進行信息傳播,使得最終生成的Top-N列表更準確,推薦性能更好。將來,會繼續考慮引入并有效地結合其他有效的信息(比如價格信息等),以獲得性能更好的序列推薦系統。