基于邻域采样的多任务图推荐算法

来源：计算机工程与应用杂志2024年第9期北京时间：

作者：张俊三, 肖森, 高慧, 邵明文, 张培颖, 朱杰

单位：1.中国石油大学（华东） 计算机科学与技术学院，山东 青岛 266580；2.河北大学 数学与信息科学学院 河北省机器学习与计算智能重点实验室，河北 保定 071002

摘要：近年来，图神经网络（GNN）成为解决协同过滤的主流方法之一。它通过构建用户-物品图，模拟用户与物品的交互关系，并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展，但如何在图结构上更有效地进行负采样仍未有效解决。为此，提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略，该策略以每个用户为中心构建子图，将次高阶物品作为用户邻域采样的负样本，可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取，得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本，以有效减少采样过程中的噪声数据。同时，该算法引入了多任务策略对模型进行联合优化，以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明，该算法在大多数情况下明显优于其他主流算法。

关键词：图神经网络,协同过滤,负采样,邻域采样,余弦边际损失,多任务策略