多行为推荐的自监督图神经网络

+v：mala2277获取更多论文用于多行为推荐的自监督图神经网络Shuyun Gu，Xiao Wang，ChuanShi 关于Ding Xiao北京邮电大学gsy793048702@163.com，xiaowang@bupt.edu.cn，shichuan@bupt.edu.cn，dxiao@bupt.edu.cn摘要传统的推荐通常集中于仅利用一个目标用户行为（例如，购买）但忽略其它辅助行为（例如，点击，添加到购物车）。多行为推荐的早期努力通常强调多个行为之间的差异，即，它们旨在通过区分不同的目标来提取有用的信息。然而，它们之间的共性同时，多行为推荐仍然受到有限监督信号问题的严重影响。本文提出了一种新的多行为推荐自监督图协同过滤模型S-MBRec。具体来说，对于每个行为，我们执行GCN来学习用户和项目嵌入。然后，我们设计了一个监督任务，区分不同行为的重要性，以捕捉嵌入之间的差异。同时，我们提出了一种星型对比学习任务来捕捉目标行为和辅助行为之间的嵌入共性，从而缓解监督信号的稀疏性，减少辅助行为之间的冗余，提取最关键的信息.最后，我们对上述两个任务进行联合优化。大量的实验结果表明，与现有技术相比，S-MBRec的有效性得到了很好的验证，其最大性能提高可达20%。1介绍个性化推荐系统已经成为当今网络平台和应用中广泛使用的技术，大多数推荐模型都是基于单行为推荐模型（称为单行为推荐模型）设计的用户和项目之间的一种关联。例如，如图1（a）所示，只有购买行为用于作者：CorrespondingAuthor.(a)（b）第（1）款图1：电子商务场景中的单行为和多行为示例。(a)是单一行为，（b）是多行为。红线表示购买行为，蓝线表示点击行为，绿线表示添加到购物车行为。建立推荐模型。然而，在现实场景中例如，如图1（b）所示，除了购买行为外，点击和添加到购物车也可以在一定程度上反映用户我们通常认为购买行为是目标行为，其他类型的行为是辅助行为。最近，越来越多的工作认识到，仅仅利用追求行为是远远不能令人满意的，辅助行为具有很大的潜力，以帮助预测目标行为[Gaoetal. ，2019]。为了充分利用这些不同类型的行为，近年来出现了一些多行为推荐模型[Gaoet al. ，2019; Jinet al. ，2020]。一种直接的方法是直接对所有类型的用户建模，并应用单行为推荐模型，而不考虑行为之间的差异[Heetal. ，2020]。为了区分不同行为的语义，一些工作为不同的边分配不同的可学习权重，以对行为的重要性进行建模[Xiaet al. ，2021a]。此外，最近的一些研究为每种行为提供了嵌入表示，其可以与节点嵌入协作以参与图卷积运算[Chenet al. ，2021]。尽管取得了成功，但这些模式仍面临以下缺点。首先，它们主要集中在有效地融合多个行为和捕捉这些行为的差异。然而，他们大多忽视了利用com-+v：mala2277获取更多论文−∈∈∈≤≤≥这些行为的单一性，这对推荐性能也非常重要。例如，如图1（b）所示，通过目标行为购买与用户u3关联的项目和与辅助行为添加到购物车关联的项目之间必须存在差异，这导致用户但同时，这些物品通过任何行为与用户u3联系在一起，因此它们也具有一定的共性（例如，相同样式或价格区间）。 这些共性可以反映用户在不同行为中的总体偏好，这些偏好通常对用户是否进行目标行为（例如，购买）。因此，我们需要挖掘目标行为与其他行为之间的共性，并将这些共性整合到目标行为中，以提高目标行为下的嵌入质量，从而达到更高精度推荐效果。因此，如何捕捉目标和辅助变量之间的共性是一个重要但尚未很好探索的问题。其次，大多数推荐模型都是基于监督范式[Wangetal. ，2019]，其中用户和项目之间的观察到的目标行为通常被视为监督信号。然而，稀疏的监督信号不能保证图学习的质量。即使有多种行为，上述问题仍然存在。在单行为推荐中有一些努力来解决这个问题[Wuet al. ，2021]，其将单行为图分成两个视图以进行对比学习。但是这些方法忽略了辅助行为对目标行为的影响，放弃了它们的协同性，不能直接应用于多行为推荐因此，在多行为推荐领域，研究一种新的解决方案显得尤为重要。本文提出了一种新的多行为推荐模型S-MBRec，该模型从两类任务的角度考虑了多个行为的差异性和共性，并能有效地解决监督信号稀疏的问题。具体来说，对于每个行为，我们执行GCN[Kipf和Welling，2016]来学习用户和项目嵌入。为了区分不同行为的重要性，我们考虑了监督任务，并使用自动学习权值来聚合多个目标下的嵌入。同时，考虑到多个行为之间的共性，有效缓解数据稀疏性问题，提出了星型对比学习任务，只对目标行为和每个辅助行为进行对比学习。最后，我们共同优化这两项任务。我们总结这项工作的贡献如下：• 基于多行为推荐场景，不同于以往的工作区分每种行为的不同，我们首次尝试研究如何在保持它们的共性的同时，解决数据稀疏性问题。• 我们提出了一种新的多行为推荐模型S-MBRec，包括监督和自监督学习任务。特别是，我们设计了一个星型对比学习策略，即分别为目标和每个辅助对象或子图构造一个对比视图对• 我们的S-MBRec模型的有效性在三个真实世界的数据集上进行了验证，这证明了我们的模型与其他基线相比，提高了推荐性能。2相关工作近年来，使用图神经网络（GNNs）来解决推荐问题已经成为一个非常重要的领域[Gaoet al. ，2021]。它能够捕获用户和项目之间的高阶相似性以及结构连接性。以这种方式，可以获得用户和项目的高质量嵌入，这对推荐性能至关重要。例如，NGCF [Wangetal. ，2019]提出了一种空间GNN的推荐方法，并与传统的CF方法相比，获得了更好的性能。LightGCN [Heet al. ，2020]学习用户和项目的嵌入，并计算所有层的嵌入的加权和作为最终嵌入。同时，多行为推荐是推荐系统研究的一个新的分支。与单行为推荐模型相比，多行为推荐模型中新增的通过添加辅助因子，可以提高用户对目标行为的准确推荐的性能[ Chen etal. ，2020a;Wanget al. ，2021]。大多数使用GNN的多行为建模方法都是基于异构图[Jinet al. ，2020]。MB-GMN [Xiaet al. ，2021 b]使用户-项目交互学习具有揭示依赖于类型的行为表示的能力，其自动提取行为异质性和交互多样性以用于推荐。总结现有的多行为推荐方法，没有考虑捕捉多行为的共性，数据稀疏性问题依然存在。3我们提出的方法3.1问题定义我们定义图G=（V，E），其中节点V由用户节点u组成U和项节点iI. E中的边是G中的用户-项目交互边。假设用户和物品之间存在K（K2）个行为，第k个（1）KK）行为表示为E k。同时，Ek连同所有用户和项目节点可以被抽取出来，生成一个子图Gk=（V，Ek），它被形式化为一个交互矩阵RkR|U| ∗|我|.我们认为第一个行为是目标行为，其他K1行为是辅助行为.我们的目标是预测在目标行为下，用户和项目之间的交互可能性，以及所有类型的行为的帮助。3.2总体框架图2显示了我们的S-MBRec模型的总体框架。正如我们所看到的，我们首先将+v：mala2277获取更多论文K∈∈ΣK| | ∗|∈ |∈嵌入，我们使用函数f合并所有层的结果，如下所示，图2：S-MBRec的模型架构。(We以K=3为例，即，有三种行为，其中第一种是目标行为，另外两种是辅助行为。多行为图，并对每个子图进行GCN运算，得到每个相邻子图下的节点嵌入。然后，我们设置了两个任务：自适应监督任务和星型自监督任务。在监督任务中，为了区分不同行为的重要性，捕捉嵌入之间的差异，我们引入了自动学习权系数来融合嵌入后的样本。Xk=f（X（1）），（3）其中，l =[0，...， L]。 Xk由用户嵌入矩阵XUkR组成|U| 嵌 入矩阵XIkR| 我| 很 好。f的常见设计仅为最后一层[Ying et al. 、2018]，串联[Wanget al. 2019 - 02 - 19 00：00：00 [2019- 02 - 19 00：00]，2020]，本文选择了级联运算。3.4 自适应监督任务在这一节中，我们将不同行为下的节点表示与考虑不同类型行为的数量和影响强度的自动学习权重系数相结合，从而自动区分多个行为的强度。最后，我们使用一个监督学习损失函数来控制该模型的优化，从而提高关联用户和项目在目标行为下的嵌入相似度。首先，我们为用户u的第k次行为设计了一个语义融合系数auk，其中不仅需要考虑用户u的第k次行为在所有用户中所占的比例，而且还需要识别不同行为（对于所有用户）的强度，如下所示：每个行为下的beddings与监督损失函数来控制这个任务。在自我监督的任务中，为了-英国 =exp（wknuk），（4）理解目标行为和辅助行为Km=1 exp（wmnum）和缓解数据稀疏性，对目标行为子图和每个辅助行为子图进行对比学习，形成星型对比结构，然后使用多个对比学习损失函数来控制该任务。最后，我们共同优化这两项任务。3.3节点表示学习首先，我们需要学习每个子图（行为）下用户和项目的嵌入表示。对于第k个行为图Gk，我们可以得到与矩阵Rk对应的邻接矩阵Ak如下，其中wk被认为是行为k的强度权重，其对于所有用户都是相同的，并且在模型中具有自动学习的能力nuk是用户u在行为k下的关联的数量。我们得到了行为k下的嵌入矩阵Xuk和Xik，其中用户u和物品i的嵌入分别用xuk和xik表示然后我们将合并所有行为下的表示。对于用户u，利用第k个行为的系数a，我们可以整合所有行为以生成用户u的最终表示，如下所示，Ak=.0Rk0、（1）eu=σ.W（W）aukxuk）+b、（五）不km=1然后我们可以得到GCN的多层消息传播公式，如下所示：其中W和b是神经网络的权重和偏差。然而，项目的多行为之间的融合不同于用户的多行为之间的融合，因为项目的特征是（l+1）（l）Xk=σ（A^kXk Wk），（2）静态.因此，我们可以将项目i在不同的行为下通过级联运算，-1− 1如下所述，其中A^k=Dk2（Ak+Ik）Dk2 是一个标准化的adja。具有自连接的cency矩阵，其中Dk是|V |∗|V|第k个行为的度矩阵，以及|V|为|U|+的|我|. Ikei=g{Cat（xik）}，（6）是一个V V单位矩阵。 X（l）R|V|d是第l层卷积中第k行为下节点的嵌入矩阵，其中d表示嵌入维数。Wk和σ分别是模型训练的参数和非线性激活函数。为了保证短距离邻居节点对生成其中k=[1，...，K]，g是多层感知器（MLP），Cat表示K个向量之间的级联操作。为了优化当前模块，我们使用成对贝叶斯个性化排名（BPR）损失[Rendleet al. ，2012]，这使得关联节点之间的相似性RK+v：mala2277获取更多论文不−−L'K2St∩uuJu+∈U高于非关联节点。BPR损失函数如下，L=−log。σ（eTe（u，i，j）∈O-e e）氯，（7）其中O={（u，i，j）|（u，i）∈O，（u，j）∈O}是训练−表1：实验数据集+数据，以及× −O+是观察到的相互作用。O=（UV）O+，代表所有未观察到的相互作用。辅助行为k′（k′=[2，.，K]）进行对比学习，损失函数如下，3.5星型自我监督任务在本节中，我们将介绍自监督学习任务。假设有K个行为，我们通常需要执行任何两种行为的对比学习，即，有用户sst−k' =−logu∈Uexp. （xuK）Txu+k0/τ）exp{（xuK）Txu−k0/τ}、（十一）K（K1）个对比学习对，复杂度为O（K2）.然而，考虑到主要目标是捕捉目标和辅助be之间的关系，因此，我们提出了一个星型对比结构，即，我们只需要在目标和每个辅助行为子图之间执行对比学习。通过这种方式，我们可以捕捉这些多个行为的共性，并使用它们来增强嵌入在目标行为下的表示能力。哪里 （xuK，xu+k0）是 的 的 位置itiv e 对 和（xu K，xu−k0）是n eg at iv epai r。τ是一个r型参数r，在softmax中称为温度通过分析，我们可以得到对比损失项目. 通过sst−k结合用户和项目下的所有损失函数，可以得到自监督任务的损失函数如下，Lsst=（Luser'+Litem'）。（十二）到目前为止，我们已经得到了每个子图下的用户和项目的嵌入的GCN在Eq。（三）、在对比学习中，一个非常重要的步骤是选择合理的位置，k'=23.6联合优化sst−ksst−k正面和负面的例子。大多数实践是，正对强调同一节点的不同视图之间的一致性，而负对强调不同节点之间的分歧。然而，目标行为下具有相似关联信息因此，我们引入逐点互信息（PMI）[Yaoet al. ，2019]来计算目标行为下两个用户（或项目）之间的相似度。用户PMI计算如下为了将上述两项工作结合起来，我们共同优化推荐模型，如下所示，其中，Θ表示两个任务中的所有可训练参数; λ和μ分别是控制自监督任务和L2正则化比例的超参数。4实验结果及分析在本节中，我们将测试我们建议PMI（u，u′）=logp（u，u′）p（u）p（u′），（8）在真实世界的数据集上建模，并将其与其他先进的模型进行比较。最后，我们进行了一系列的参数和烧蚀研究来分析我们的模型.p（u）= |I（u）|、（9）|我||I（u）I（u′）|4.1实验设置数据集。为了评估S-MBRec的优越性能，我们在三个真实世界的数据集上验证了我们的模型的效果：贝贝1[Xiaet al. ，2021b]，Taobao 2[Xia et al. 、p（u，u′）=|I|、（十）2021 b]和Yelp 3[Xia et al. ，2021a]。 我们描述数据细节如下，其中I（u）是与用户u相关联的项目集，并且I（u）I（u′）表示与用户u和u′两者相关联的项目集。通过这种方式，可以计算任意两个用户在目标行为下的相似度。在保留传统的基础在传统的正对选择方案中，我们规定相似度高于阈值t的用户也可以被用作正对。项目PMI计算方法与用户一致对于反例的选取，我们采用随机选取的策略。• 贝贝该数据集中有三种行为，包括查看、添加到购物车和购买，其中购买是目标行为。• 淘宝该数据集中有三种行为，包括点击、添加到购物车和购买，购买是目标行为。• Yelp。 在这个数据集中有四种行为，包括tip、dislike、neutral和like，而like是目标行为者。在找出正反两方面的例子后，我们采用L我u−∈U数据集 用户 项目 相互作用行为类型贝 贝淘宝Yelp217164874919800797739493227343.36×1062.0×1061.4×106{查看，购物车，购买}{点击，购物车，购买}{提示，不喜欢，中立，喜欢}+v：mala2277获取更多论文对 比 度 ive 损 失 ， InfoNCE[GutmannandHyvaürinen ，2010]，以最大化正对的一致性并最小化负对的一致性。当第一个目标行为和第1https://www.beibei.com/2https://tianchi.aliyun.com/dataset/dataDetail? dataId=6493https://www.yelp.com/dataset/do wnload+v：mala2277获取更多论文------单行为模型多行为模型我们的模型数据集度量NCFNGCFENMFLightGCNNMTREHCFRGCNMB-GMNS-MBRec北碚召回@100.02510.03890.03770.04520.04620.04590.04800.04970.0529回忆@400.05540.07540.06330.12110.13660.12710.12630.14980.1647回忆@800.06410.09330.08120.19390.19920.19230.19120.20170.2740NDCG@100.01170.01210.01090.01270.01290.01340.01230.01390.0148NDCG@400.01640.01540.01710.01870.01930.02140.02260.03970.0429NDCG@800.02280.02060.03120.03340.04230.04390.04430.04650.0615淘宝召回@100.01410.02190.01980.31770.03690.02950.03720.04380.0608回忆@400.02040.02970.02240.04050.04870.05990.07060.08730.1027回忆@800.03110.07630.04590.07950.09830.10300.15270.15590.1647NDCG@100.00940.01050.01290.02160.02370.02840.02140.03260.0391NDCG@400.01410.01620.02260.02870.03050.03740.03040.03980.0464NDCG@800.01960.02060.02480.02650.03360.03900.04480.04760.0583Yelp召回@100.01140.01750.01630.01480.01970.01860.02050.02430.0259回忆@400.03750.03980.04070.06760.07240.07050.08430.08790.1135回忆@800.04980.06040.05350.08230.06340.09800.10900.13980.1548NDCG@100.00440.00950.01020.01780.01900.01640.02140.02730.0287NDCG@400.01410.01620.01260.01870.03050.02940.02040.02480.0337NDCG@800.01640.02160.02270.02350.03540.03420.03980.04160.0438表2：在贝贝、淘宝和Yelp数据集上的整体模型性能，指标为Recall@K和NDCG@K（K=10，40，80）。(a) 贝贝（b）Yelp图3：去除不同辅助因子的结果比较。（以贝贝和Yelp数据集为例，评价指标为Recall@80。）在上述三个数据集中，至少有五个目标行为的关联，其中我们随机选择两个关联，一个是测试数据，另一个是验证数据。其余的用于训练。三个数据集的统计数据记录在表1中。基线。我们将S-MBRec与几种最新的方法进行了比较，基线可以分为两类：单行为模型和多行为模型。单行为模型包括：NCF [Heet al. ，2017]，NGCF [Wanget al. ，2019] ， ENMF [Chenet al. ， 2020a] 、 LightGCN [Heetal. ， 2020]。 多 行 为 模 型 包 括 ： NMTR [Gaoet al. ，2019] ， EHCF[Chenetal.， 2020b] 、 RGCN[Schlichtkrullet al. ， 2018] ， MB-GMN [Xiaet al. ，2021b]。评价为了全面评价模型的有效性，我们采用了两个有代表性的评价指标--（a）贝贝（b）Yelp图4：删除不同任务的结果比较。（以贝贝和Yelp数据集为例，评价指标为Recall@80。ST代表受监督的任务。SST代表自我监督任务。）推 荐 领域 的 指 标： Recall@K 和 NDCG@K[Krichene 和Rendle，2020]。参数设置。我们的S-MBRec模型在Pytorch中实现。该模型由Adam优化器优化，学习率为1e−4。训练批量选自1024，2048，4096，6114。 嵌入dim搜索自64，128，256，512。 任务权重参数λ从0开始搜索。05，0。1、0. 2，0。五，一。0的范围内选取L2{0。05，0。1、0. 2，0。五，一。0}。温度系数τ为在{0. 1、0. 2，0。五，一。0}。4.2整体性能我们进行了大量的实验，并记录了实验结果，如表2所示。为了+v：mala2277获取更多论文≤≥----(a) λ（b）τ图5：λ和τ对三个数据集下模型的影响。为了充分评价结果，我们在实验中取了N=10，40和80个重复。从表2中，我们总结了以下观察结果：首先，表2显示我们的模型S-MBRec一致优于所有基线。在贝贝数据集、淘宝数据集和Yelp数据集上，我们的模型对次优结果的平均改善率分别为14.1%、20%和15.4%。S-MBRec与基线模型的最大区别在于，不仅需要区分不同行为的重要性，而且还提高了目标和辅助行为子图下节点表示的相似性，因此我们认为捕捉目标和辅助行为之间的共性可以提高推荐效果。同时，所有基线模型都是基于监督任务进行训练的，这受到监督信号稀疏问题的限制。因此，可以得出结论，我们的模型可以很好地缓解这一问题，在多个行为之间引入星型自监督任务其次，多行为模型的预测效果普遍优于单行为模型，这充分反映了辅助行为的加入丰富了语义，对预测目标行为有积极作用。与最佳单行为方法（LightGCN）相比，该模型在贝贝数据集、淘宝数据集和Yelp数据集上的平均改进率分别为53.9%、102.2%和76.5%，也很好地验证了上述结论。4.3消融研究为了更全面地验证模型功能的完善性，我们进行了以下烧蚀实验。首先，我们探讨了辅助行为的影响。为了探索每个辅助行为在我们的模型中的重要性，我们删除了每个辅助行为，然后测试实验结果。如图3所示，以贝贝和Yelp数据集为例，我们分别去除了每个辅助通过对实验结果的分析，我们发现不同的辅助行为对目标函数的预测结果有不同的影响例如，在贝贝数据集中，移除添加到购物车行为的预测准确率远低于移除视图行为，这表明添加到购物车行为对用户的目标行为有更大的影响其次，我们探讨了这两个任务在我们的模型中的重要性。我们把它们分别去掉，实验结果。如图4所示，以贝贝和Yelp数据集为例，我们发现去除监督任务后，实验结果下降更明显。由此可见，两种任务在我们的模型中都起着重要的作用，其中监督任务的作用更为明显。同时，新增加的自我监督任务也能对提升整体效果起到关键的助力作用。4.4超参数研究由于我们的模型联合优化了监督和自监督任务，其中超参数λ在等式中。(13)首先探讨了λ对模型性能的影响。此外，还分析了方程中温度系数τ的影响.（十一）、两个参数的变化趋势如图5所示。首先，我们将λ调整为0。05，0。1、0. 2，0。三，零。五，一。0，然后检查相应的结果。 如图所示，结论5（a），当λ0.1时，实验结果明显不令人满意，这是因为自我监督任务所占的比例比较小，其作用可以忽略不计。随着λ从0.1增加到0.2，实验结果有了很大的改善，说明两种任务的比例逐渐趋于合理。 当λ为0.2时，实验结果呈现出下降的趋势，说明自监督任务所占的比例过大，降低了传统监督任务的影响，这两种任务在我们的模型中扮演着不同的角色，其中监督任务所占的比例较大。然后分析了实验结果随方程中参数τ的变化规律（十一）、τ控制等式中嵌入相似性的平滑度。（十一）、我们在三个数据集上进行实验，并将其调整为0。05，0。1、0. 2，0。5、0。八、一。0的情况。从图5（b）可以看出，当τ接近0.1时，初步结果逐步改善。当τ大于0.1时，实验结果随着τ的增大而逐渐减小，显然τ= 0.2是我们模型的最佳选择。 事实上，当τ的值较小时，相似性将变得尖锐，而当τ较大时，相似性将变得平滑。可以看出，设置τ= 0.2可以确保相似性的适当平滑度5结论在这项工作中，我们提出了一个新的模型命名为S-MBRec，多行为推荐模型，考虑了不同类型的任务的角度来看，多个行为的离散性和共性，并可以与各种类型的行为数据，有效地缓解稀疏的监督信号的问题。我们进行了全面的实验，结果表明，该方法提高了推荐性能的三个数据集。致谢本 课 题 得 到 国 家 自 然 科 学 基 金 部 分 资 助（ No.U20B2045 ， 62192784 ， 62172052 ， 61772082 ，62002029，U1936104）。也是sup--部分由中央大学基础研究基金2021RC28移植。+v：mala2277获取更多论文引用[Chen et al. Chong Chen，Min Zhang，Yongfeng Zhang，Yiqun Liu，and Shaoping Ma.高效的神经矩阵分解，无需采样进行分解。ACM Transactions on InformationSystems（TOIS），38（2）：1[Chen et al. Chong Chen，Min Zhang，Yongfeng Zhang，Weizhi Ma，Yiqun Liu，and Shaoping Ma.高效的异构协同过滤推荐算法.在AAAI人工智能会议论文集，第34卷，第19-26页[Chen et al. Chong Chen ， Weizhi Ma ， Min Zhang ，Zhaowei Wang ， Xiuqiang He ， Chenyang Wang ，Yiqun Liu，and Shaoping Ma.图异构多关系推荐。在AAAI人工智能会议论文集，第35卷，第3958-3966页，2021年。[Gao et al. ， 2019] Chen Gao ， Xiangnan He ， DahuaGan，Xiangning Chen，Fuli Feng，Yong Li，Tat-SengChua，and Depeng Jin.基于多行为数据的神经多任务推 荐 。 2019 年 IEEE 第 35 届 数 据 工 程 国 际 会 议（ICDE），第1554-1557页IEEE，2019年。[Gao et al. 高晨，郑宇，李念，李银峰，秦英荣，朴京华，全玉涵，常建新，金德鹏，何向南，等. Graphneuralnetworksforrecommendersystems：Challenges ， methods ， and directions.arXiv 预 印 本arXiv：2109.12843，2021。[GutmannandHyvaürinen，2010]MichaelGutmann和AapoHyvérinen。 噪声对比度估计：非标准化统计模型的新第十三届人工智能和统计国际会议论文集，第297-304页。JMLR研讨会和会议记录，2010年。[He et al. ， 2017] Xiangnan He ， Lizi Liao ， HanwangZhang，Liliang Nie，Xia Hu，and Tat-Seng Chua.神经协同过滤。第26届万维网国际会议论文集，第173-182页，2017年[He et al. 何向南，邓宽，王翔，李艳，张永东，王梦。Lightgcn：简化和增强图卷积网络以进行推荐。在第43届国际ACM SIGIR信息检索研究与开发会议论文集，第639-648页[Jin et al. ，2020] Bowen Jin，Chen Gao，Xiangnan He，De-peng Jin，and Yong Li.使用图卷积网络的多行为推荐。在第43届国际ACM SIGIR信息检索研究与开发会议论文集，第659- 668页[Kipf and Welling ， 2016] Thomas N Kipf and MaxWelling.图 卷 积 网 络 的 半 监 督 分 类 。 arXiv 预 印 本arXiv：1609.02907，2016。[Krichene 和 Rendle ， 2020] Walid Krichene 和 SteffenRendle。关于项目推荐的抽样指标。在第26届ACMSIGKDD知识发现数据挖掘国际论文集，第1748-1757页[Rendle et al. Steffen Rendle、Christoph Freuden-thaler、Zeno Schmidt-Thieme和Lars Schmidt-Thieme。BPR：贝叶斯个性化排名从隐式反馈。arXiv预印本arXiv：1205.2618，2012年。[Schlichtkrull et al. Michael Schlichtkrull ， Thomas NKipf ， Peter Bloem ， Rianne Van Den Berg ， IvanTitov，and Max Welling.用图卷积网络对关系数据建模。欧洲语义网会议，第593-607页。Springer，2018年。[Wang et al. ，2019] Xiang Wang，Xiangnan He，MengWang，Fuli Feng，and Tat-Seng Chua.神经图协同过滤。在第42届国际ACM SIGIR信息检索研究与开发会议论文集，第165-174页[Wang et al. ，2021] Xiao Wang，Nian Liu，Hui Han和Chuan Shi。具有协同对比学习的自监督异构图神经网络。在第27届ACM SIGKDD知识分解数据挖掘会议论文集，第1726-1736页[Wu et al. Jiancan Wu ， Xiang Wang ， Fuli Feng ，Xiangnan He，Liang Chen，Jianxun Lian，and XingXie.用于推荐的自监督图学习。在第44届国际ACMSIGIR信息检索研究与开发会议上，第726-735页[Xia et al. Lianghao Xia，Chao Huang，Yong Xu，PengDai，Xiyue Zhang，Hongsheng Yang，Jian Pei，andLiefeng Bo.用于多行为推荐的知识增强的分层图Transformer网络。在AAAI人工智能会议论文集，第35卷，第4486-4493页[Xia et al. Lianghao Xia，Yong Xu，Chao Huang，PengDai，and Liefeng Bo.用于多行为推荐的图Meta网络在第44届国际ACM SIGIR信息检索论文集，第757-766页，2021年[Yao et al. ，2019] Liang Yao，Chengsheng Mao，andYuan Luo.用于文本分类的图卷积网络。在AAAI人工智能会议论文集，第33卷，第7370-7377页[Ying et al. Rex Ying，Ruining He，Kaifeng Chen，PongEksombatchai ， WilliamLHamilton ， andJureLeskovec.用于网络规模推荐系统的图卷积神经网络。第24届ACM SIGKDD知识发现数据挖掘国际会议论文集，第974-983页，2018年