增强图卷积神经网络在协同推荐中的应用与改进

"本文档介绍了一种基于增强图卷积神经网络(Augmented Graph Convolutional Neural Network, AGCN)的协同推荐模型，用于改善现有推荐系统的评分预测效果。该模型针对图卷积网络在推荐系统中的应用，指出其存在的问题，即仅利用1阶协同信号且忽视用户观点差异，并提出解决方案。AGCN模型通过增强的图卷积层融合2阶协同信号和用户观点，提高实体节点的嵌入表示学习，并利用多层感知机进行评分预测。实验结果显示，新模型在5种推荐数据集上的预测误差显著降低，优于其他主流推荐模型。" 本文涉及的主要知识点包括： 1. **协同推荐**：协同推荐是推荐系统中的重要方法，依据用户的历史行为和偏好，找出具有相似兴趣的用户，以此为依据进行物品推荐。协同推荐分为基于内存和基于模型两种，后者如矩阵分解、马尔可夫链和深度神经网络等，能更好地捕捉复杂联系。 2. **图卷积神经网络 (GCN)**：GCN是一种针对图结构数据的深度学习模型，能有效学习图中节点的嵌入表示。GCN通过图卷积操作传播和聚合邻近节点的信息，结合了实体特征与图结构信息，尤其适合处理非规则的图数据。 3. **协同信号**：在推荐系统中，协同信号是指用户对物品的共同喜好或互动模式，如用户之间的相似度和物品的共现关系。1阶协同信号通常指用户与物品直接的交互，而2阶协同信号则涉及间接交互。 4. **用户观点差异**：不同的用户可能对同一物品有不同的评价标准或偏好，这些差异在推荐模型中应得到考虑，以提供更个性化的推荐。 5. **增强图卷积层**：本文提出的AGCN模型改进了GCN，不仅聚合1阶协同信号，还融合了2阶协同信号，同时考虑了用户观点差异，以提升模型的表示学习能力。 6. **评分预测**：推荐系统中的评分预测是预测用户对未评级物品可能给出的评分，这有助于确定推荐的优先级。 7. **多层感知机 (MLP)**：在AGCN模型中，多层感知机被用来实现非线性的评分预测，以提高预测准确性。 8. **实验评估**：通过对比多种主流推荐模型在5个推荐数据集上的性能，证明了AGCN模型的优越性，表现为预测误差的显著降低。 该文档介绍的AGCN模型为协同推荐提供了一个新的视角，利用增强的图卷积神经网络技术，更全面地捕捉用户行为和偏好，以提升推荐系统的准确性和个性化水平。