多任务联合学习的图卷积神经网络推荐

来源：计算机工程与应用杂志2024年第4期北京时间：

作者：王永贵, 邹赫宇

单位：辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105

摘要：基于图神经网络的协同过滤推荐可以更有效地挖掘用户项目之间的交互信息，但其性能依然受到数据稀疏和表征学习质量不高问题的影响，因此提出一种多任务联合学习的图卷积神经网络推荐（multi-task joint learning for graph convolutional neural network recommendations, MTJL-GCN）模型。利用图神经网络在用户-项目交互图上所聚集到的同质结构信息与初始嵌入信息形成结构邻居关系，设计节点邻居关系的对比学习辅助任务来缓解数据稀疏问题；向节点的原始表征添加随机的统一噪声进行表征级数据增强，构建节点表征关系的对比学习辅助任务，并提出直接优化对齐性和均匀性两个属性的学习目标来提高表征学习质量；将图协同过滤推荐任务与对比学习辅助任务和直接优化学习目标进行联合训练，从而提升推荐性能。在Amazon-books和Yelp2018两个公开数据集上进行实验，该模型在Recall@k和NDCG@k两个推荐性能指标上的表现均优于基线模型，证明了MTJL-GCN模型的有效性。

关键词：推荐算法,图卷积神经网络,对比学习,表征学习,数据稀疏,协同过滤