基于圖神經網絡的個性化推薦系統研究

靳康杰　王藝源

摘要：為提升個性化推薦質量，保證用戶滿意度，文章研究了基于圖神經網絡的個性化推薦系統。該系統依據用戶歷史行為數據，分析用戶的個性化需求和潛在興趣點，確定用戶-行為向量，將其作為圖神經網絡與改進自注意力網絡融合的個性化推薦模型的輸入。通過模型對向量進行處理，實現用戶意圖嵌入和目標位置嵌入，依據嵌入結果計算用戶偏好，結合用戶的偏好情況，實現個性化推薦。測試結果顯示，該系統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，推薦質量較高。

關鍵詞：圖神經網絡；個性化；推薦系統

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）標識碼（OSID） ：

0 引言

聯網技術的發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據時，往往難以快速找到符合自己興趣和需求的信息[1]。因此，個性化推薦系統應運而生，它能夠根據用戶的個性化需求和興趣，提供精準的推薦服務，從而極大地提高了用戶體驗和信息獲取的效率[2]。傳統的推薦系統通常基于用戶行為數據和內容特征進行推薦，存在冷啟動問題、數據稀疏性和信息過濾的挑戰，導致推薦結果個性化能力較差，無法精準分析用戶的需求[3]。

圖神經網絡是一種能夠處理圖結構數據的深度學習模型，通過對節點和邊的嵌入學習，可以挖掘圖中的關聯和相互作用，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。因此，為保證個性化的推薦結果，本文設計了基于圖神經網絡的個性化推薦系統。

1 個性化推薦系統

1.1 用戶行為分析

個性化推薦是一種根據用戶的興趣、偏好、行為和歷史數據等信息，為用戶提供定制化、個性化的內容或產品推薦的服務。其核心在于利用先進的算法和技術，對用戶的歷史數據進行深入分析和挖掘，以發現用戶的個性化需求和潛在興趣點，并基于這些發現為用戶提供精準推薦[4]。因此，為實現精準的個性化推薦，本文需依據用戶的需求、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 分別表示用戶數量、目標數量以及交互類型數量。

為更好地描述用戶行為，采用用戶的歷史交互數據作為無向圖，用G = （W，ξ）表示，其主要包含兩種實體節點集合，分別為用戶節點U 和目標節點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 個性化推薦系統設計

1.2.1 系統的推薦流程

基于圖神經網絡的個性化推薦系統，能夠通過對用戶行為圖、意圖圖和位置圖等圖結構數據的深度挖掘，發現用戶與目標之間的潛在聯系和模式。與傳統的推薦方法相比，圖神經網絡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據和特征，包括用戶行為數據、內容特征、社交網絡等，從而為用戶提供更加全面和精準的推薦服務。同時，圖神經網絡還可以與其他機器學習算法和技術相結合，進一步提升推薦系統的性能[6]。因此，本文將圖神經網絡和改進自注意力網絡融合，構建基于圖神經網絡與改進自注意力網絡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位置信息，以此保證更佳的個性化推薦。該模型的整體結構如圖1所示。

該模型整體包含兩個部分，分別為圖神經網絡和改進自注意力網絡。通過圖神經網絡獲取當前目標相鄰內容的節點信息，并利用改進自注意力網絡實現目標的全局項目轉換，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，實現用于下一次點擊目標的預測，依據預測結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網絡的核心，是保證個性化推薦的基礎，將e（0） ui 和e（0） pj 作為改進注意力神經網絡的輸入，以此生成意圖嵌入，生成用戶、意圖、目標的三元組，進而構建新的異構圖，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 表示關系嵌入；t ∈ R 表示特定關系。

改進注意力神經網絡可向每個關系分配一個注意力得分，以此實現各個意圖中特定關系的重要度的量化描述，其計算公式為：

式中：wrz 和wr′z 均表示特定關系和特定意圖之間的可訓練權重。

完成意圖圖構建后，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 的一階聯通信息用Au 表示，在此基礎上生成用戶歷史交互目標的意圖信息，其公式為：

式中：Agg （ ）表示圖卷積神經網絡的聚合函數；e（0） i 表示目標的ID嵌入。

文中引入注意力權重β （u，p）輔助模型實現不同意圖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。

目標i 的屬性和一階連通性用Ai 表示，依據知識圖譜中實體連接的關聯關系，實現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；v 表示知識圖譜中實體，即圖中的推薦目標；er表示特定關系的嵌入。

依據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，為后續個性化推薦提供依據。

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，通過圖神經網絡進行節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點的計算公式為：

式中：目標長度用n 表示；hi 表示圖神經網絡提取的目標節點；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

依據上述小結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練，并采用矩陣描述節點生成向量的過程。如果圖神經網絡提取的目標節點初始嵌入矩陣用H（0）表示，則經過l層迭代訓練后，節點的嵌入矩陣用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；w（l）表示經過l層迭代訓練后的權重；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果存在差異性影響，以此須定義行為權重，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；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。

在上述公式的基礎上，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測結果。

模型在訓練過程中，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Loss 實現模型優化，并完成模型中各個參數學習，Loss 的計算公式為：

式中：σ（?）表示sigmoid函數；O表示用戶對于目標的行為訓練數據集；ψ 表示正則化系數；Θ表訓練參數集合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

依據上述小結完成用戶對于目標的偏好的計算后，依據y?ij 的計算結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，并利用冷啟動參數實現個性化推薦和非個性化的推薦參數的平衡，該參數的計算公式為：

式中：κi 表示冷啟動參數；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量；f 表示激活函數。

依據上述參數的計算結果進行個性化推薦，輸出最終的推薦結果，其計算公式為：

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

2 測試分析

為驗證該方法的個性化推薦結果，本文選擇某小說網站作為測試對象，對該方法的應用效果進行相關測試。該小說網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。為實現各類小說的針對性推薦，提高用戶的服務滿意度，將本文提出的系統應用于該網站中，進行個性化推薦，并獲取系統的推薦測試結果。

為驗證本文系統的個性化推薦效果，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，采用本文系統進行個性化推薦后的歸一化折損累計增益計算結果，測試結果如表1所示。

分析表1的測試結果可知：在不同的歷史行為信息數量下，隨著推薦列表長度的不斷增加，本文提出的系統均可較好地實現個性化推薦，推薦列表的歸一化折損累計增益的計算結果均在0.122以下。該系統在進行個性化推薦時，以結合用戶意圖和目標位置圖嵌入為基礎，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。

3 結束語

在互聯網高速發展的當下，個性化推薦是諸多行業的重點關注內容，個性化推薦效果直接影響用戶對該行業的體驗感。因此，提高個性化推薦水平是保證行業發展的基礎。本文針對個性化推薦存在的不足進行分析后，研究了基于圖神經網絡的個性化推薦系統。該系統結合圖神經網絡的優勢，并引入其他深度學習模型，以更好地判斷用戶的偏好，從而實現個性化推薦。對本文提出的系統的推薦結果進行測試分析后確定，其具備較好的應用效果，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網絡推薦算法[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網絡的IPTV推薦系統[J]. 軟件，2022，43（6）：6-8，25.

[3] 盛強，成衛青. 基于圖神經網絡和改進自注意網絡的會話推薦[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. 基于圖神經網絡的推薦系統模型[J]. 現代電子技術，2024，47（3）：85-90.

[5] 柴文光，張振杰. 基于圖注意力卷積神經網絡的推薦系統[J]. 計算機應用與軟件，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網絡的推薦模型[J]. 小型微型計算機系統，2023，44（7）：1391-1397.

【通聯編輯：謝媛媛】