基于图神经网络的个性化推荐系统研究

靳康杰　王艺源

摘要：为提升个性化推荐质量，保证用户满意度，文章研究了基于图神经网络的个性化推荐系统。该系统依据用户历史行为数据，分析用户的个性化需求和潜在兴趣点，确定用户-行为向量，将其作为图神经网络与改进自注意力网络融合的个性化推荐模型的输入。通过模型对向量进行处理，实现用户意图嵌入和目标位置嵌入，依据嵌入结果计算用户偏好，结合用户的偏好情况，实现个性化推荐。测试结果显示，该系统的个性化推荐效果较好，归一化折损累计增益值均在0.122以下，推荐质量较高。

关键词：图神经网络；个性化；推荐系统

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2024）13-0021-03 开放科学（资源服务）标识码（OSID） ：

0 引言

联网技术的发展和普及使得信息过载成为一个日益严重的问题，用户在面对海量的数据时，往往难以快速找到符合自己兴趣和需求的信息[1]。因此，个性化推荐系统应运而生，它能够根据用户的个性化需求和兴趣，提供精准的推荐服务，从而极大地提高了用户体验和信息获取的效率[2]。传统的推荐系统通常基于用户行为数据和内容特征进行推荐，存在冷启动问题、数据稀疏性和信息过滤的挑战，导致推荐结果个性化能力较差，无法精准分析用户的需求[3]。

图神经网络是一种能够处理图结构数据的深度学习模型，通过对节点和边的嵌入学习，可以挖掘图中的关联和相互作用，从而更好地捕捉用户的兴趣和行为模式，更精准地为用户提供推荐服务。因此，为保证个性化的推荐结果，本文设计了基于图神经网络的个性化推荐系统。

1 个性化推荐系统

1.1 用户行为分析

个性化推荐是一种根据用户的兴趣、偏好、行为和历史数据等信息，为用户提供定制化、个性化的内容或产品推荐的服务。其核心在于利用先进的算法和技术，对用户的历史数据进行深入分析和挖掘，以发现用户的个性化需求和潜在兴趣点，并基于这些发现为用户提供精准推荐[4]。因此，为实现精准的个性化推荐，本文需依据用户的需求、偏好行为进行分析。首先进行用户集合U 和目标集合P 的构建，同时确定两者之间的交互行为集合H，三者的计算公式为：

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 分别表示用户数量、目标数量以及交互类型数量。

为更好地描述用户行为，采用用户的历史交互数据作为无向图，用G = （W，ξ）表示，其主要包含两种实体节点集合，分别为用户节点U 和目标节点M，且U ? M = W；ξ为边集，且：

sk 表示任一用户ui 和任一目标pj 之间的交互记录，如果sk 存在，则ehkui pj = 1；如果hk 不存在，则ehkui pj = 0。

采用编码映射的方式完成用户和目标之间ID的处理，形成一维度向量空间中的两个向量，分别用e（0） ui和e（0） pj 表示，即为用户-行为向量，将该向量作为个性化推荐模型的输入。

1.2 个性化推荐系统设计

1.2.1 系统的推荐流程

基于图神经网络的个性化推荐系统，能够通过对用户行为图、意图图和位置图等图结构数据的深度挖掘，发现用户与目标之间的潜在联系和模式。与传统的推荐方法相比，图神经网络具有更强的特征表示能力和学习能力，能够更准确地捕捉用户的个性化需求，从而提高推荐的准确性和个性化程度[5]。它可以方便地整合多种类型的数据和特征，包括用户行为数据、内容特征、社交网络等，从而为用户提供更加全面和精准的推荐服务。同时，图神经网络还可以与其他机器学习算法和技术相结合，进一步提升推荐系统的性能[6]。因此，本文将图神经网络和改进自注意力网络融合，构建基于图神经网络与改进自注意力网络融合的个性化推荐模型（CNN-SAP） 。该模型能够从用户历史交互行为中获取交互行为的序列信息，并且加入当前目标相关位置信息，以此保证更佳的个性化推荐。该模型的整体结构如图1所示。

该模型整体包含两个部分，分别为图神经网络和改进自注意力网络。通过图神经网络获取当前目标相邻内容的节点信息，并利用改进自注意力网络实现目标的全局项目转换，以此可分别从两个角度获取用于下一次点击目标的意图，即用户偏好。对两者进行线性融合后，实现用于下一次点击目标的预测，依据预测结果输出目标的推荐列表。

1.2.2 意图嵌入

意图嵌入是模型中改进注意力神经网络的核心，是保证个性化推荐的基础，将e（0） ui 和e（0） pj 作为改进注意力神经网络的输入，以此生成意图嵌入，生成用户、意图、目标的三元组，进而构建新的异构图，即为意图图。意图是考虑目标不同属性，针对不同的用户行为实现不同意图的抽象处理，例如目标类型、目标评分等；通过该抽象处理实现用户对于目标行为的深度描述。嵌入流程如图2所示。

如果所有用户意图集合用Z 表示，将每一个用户和目标的交互行为进行分解，形成的三元组后实现意图嵌入ez，其计算公式为：

式中：α（r，z）表示注意力得分，er 表示关系嵌入；t ∈ R 表示特定关系。

改进注意力神经网络可向每个关系分配一个注意力得分，以此实现各个意图中特定关系的重要度的量化描述，其计算公式为：

式中：wrz 和wr′z 均表示特定关系和特定意图之间的可训练权重。

完成意图图构建后，在该图中，捕获用户对于目标具备相似偏好的意图，围绕用户u 的一阶联通信息用Au 表示，在此基础上生成用户历史交互目标的意图信息，其公式为：

式中：Agg （ ）表示图卷积神经网络的聚合函数；e（0） i 表示目标的ID嵌入。

文中引入注意力权重β （u，p）辅助模型实现不同意图z对于用户的重要性判断，β （u，p）的计算公式为：

式中：T表示阶数。

目标i 的属性和一阶连通性用Ai 表示，依据知识图谱中实体连接的关联关系，实现目标感知后生成目标i，其计算公式为：

式中：e（1） i 表示一阶连通聚合目标的嵌入信息；AggKG （ ）表示提取目标的聚焦函数；v 表示知识图谱中实体，即图中的推荐目标；er表示特定关系的嵌入。

依据上述步骤即可完成用户意图建模，以此更好地描述用户行为，为后续个性化推荐提供依据。

1.2.3 位置嵌入

位置嵌入指的是对目标序列的位置信息进行嵌入。目标历史交互顺序能够体现用户在不同时间下的变化情况。为保存目标交互的位置信息，通过图神经网络进行节点和目标全局序列的捕获，并引入可学习的位置嵌入模块，以此更好地保存目标序列中的信息。目标历史交互序列以及序列节点的计算公式为：

式中：目标长度用n 表示；hi 表示图神经网络提取的目标节点；ci 表示历史序列中用户点击的目标记录；位置信息用Pi表示，且P = [ P1，P1，...，P ] i 。

1.2.4 用户偏好计算

依据上述小结完成意图嵌入和位置嵌入后，将用户和目标向量批量式输入模型中进行训练，并采用矩阵描述节点生成向量的过程。如果图神经网络提取的目标节点初始嵌入矩阵用H（0）表示，则经过l层迭代训练后，节点的嵌入矩阵用H（l）表示，其计算公式为：

H（l） = f （H（l - 1）w（l） ） + LH（l - 1） （12）

式中：f （.）表示激活函数；w（l）表示经过l层迭代训练后的权重；L表示用户和目标图的拉普拉斯矩阵。

由于不同的交互行为对于目标的推荐结果存在差异性影响，以此须定义行为权重，其计算公式为：

式中：βk 和βt 分别表示用户第k 个交互行为和第t个交互行为的语义参数；nk 和nt 分别表示第k 个交互行为和第t个交互行为的次数。

在上述公式的基础上，计算用户对于目标的偏好，其计算公式为：

式中：qk 表示交互行为；y?qkij 表示在交互行为qk 下，用户对于目标的偏好预测结果。

模型在训练过程中，为保证个性化的推荐效果，选择贝叶斯个性化排序损失函数Loss 实现模型优化，并完成模型中各个参数学习，Loss 的计算公式为：

式中：σ（?）表示sigmoid函数；O表示用户对于目标的行为训练数据集；ψ 表示正则化系数；Θ表训练参数集合y （u，i）和y （u，j ）分别表示用户对于目标i、j的偏好。

1.2.5 个性化推荐列表输出

依据上述小结完成用户对于目标的偏好的计算后，依据y?ij 的计算结果进行个性化推荐列表生成，在该步骤中，模型为保证目标推荐效果，通过融合的方式完成，向冷启动用户提供非个性化推荐，并利用冷启动参数实现个性化推荐和非个性化的推荐参数的平衡，该参数的计算公式为：

式中：κi 表示冷启动参数；φ 表示新用户的冷启动阈值；niree 表示用户的历史交互记录数量；f 表示激活函数。

依据上述参数的计算结果进行个性化推荐，输出最终的推荐结果，其计算公式为：

式中：γmax 和λmax 分别表示交互次数最多的目标和用户评价最高的目标。依据公式（17） 的计算结果即可获取个性化推荐结果。

2 测试分析

为验证该方法的个性化推荐结果，本文选择某小说网站作为测试对象，对该方法的应用效果进行相关测试。该小说网站主要包含玄幻小说、都市小说、神话小说、侦探小说、恐怖小说、犯罪小说、武侠小说、历史小说等几十种类别。为实现各类小说的针对性推荐，提高用户的服务满意度，将本文提出的系统应用于该网站中，进行个性化推荐，并获取系统的推荐测试结果。

为验证本文系统的个性化推荐效果，采用归一化折损累计增益作为评价指标。该指标能够衡量推荐列表排序的准确性，通过推荐列表排序情况可分析个性化推荐质量。该指标的取值在0～1，其值越大，表示推荐效果越差；反之，该指标越小，则推荐效果越佳。随机选择一种类别的小说，获取应用本文方法后，随着推荐列表长度的不断增加，采用本文系统进行个性化推荐后的归一化折损累计增益计算结果，测试结果如表1所示。

分析表1的测试结果可知：在不同的历史行为信息数量下，随着推荐列表长度的不断增加，本文提出的系统均可较好地实现个性化推荐，推荐列表的归一化折损累计增益的计算结果均在0.122以下。该系统在进行个性化推荐时，以结合用户意图和目标位置图嵌入为基础，同时引入用户的偏好计算，因此可更好地判断用户的需求，从而提供可靠的个性化推荐服务。

3 结束语

在互联网高速发展的当下，个性化推荐是诸多行业的重点关注内容，个性化推荐效果直接影响用户对该行业的体验感。因此，提高个性化推荐水平是保证行业发展的基础。本文针对个性化推荐存在的不足进行分析后，研究了基于图神经网络的个性化推荐系统。该系统结合图神经网络的优势，并引入其他深度学习模型，以更好地判断用户的偏好，从而实现个性化推荐。对本文提出的系统的推荐结果进行测试分析后确定，其具备较好的应用效果，能够满足个性化推荐需求，提升用户的体验感和满意度。

参考文献：

[1] 王建芳，文茜琳，杨许，等. 基于偏差的图注意力神经网络推荐算法[J]. 控制与决策，2022，37（7）：1705-1712.

[2] 危枫，胡飞，王晨子，等. 基于轻量图卷积神经网络的IPTV推荐系统[J]. 软件，2022，43（6）：6-8，25.

[3] 盛强，成卫青. 基于图神经网络和改进自注意网络的会话推荐[J]. 南京邮电大学学报（自然科学版），2022，42（5）：91-100.

[4] 范钰，范洪博. 基于图神经网络的推荐系统模型[J]. 现代电子技术，2024，47（3）：85-90.

[5] 柴文光，张振杰. 基于图注意力卷积神经网络的推荐系统[J]. 计算机应用与软件，2023，40（8）：201-206，273.

[6] 颜祯，谢瑾奎，曹磊亮. 基于邻域交互和图神经网络的推荐模型[J]. 小型微型计算机系统，2023，44（7）：1391-1397.

【通联编辑：谢媛媛】