[发明专利]一种基于图神经网络的协同过滤模型设计方法

说明书

本发明公开了一种基于图神经网络的协同过滤模型设计方法，首先提出了一个统一的基于图神经网络的协同过滤模型设计框架，在这个框架之上，我们定义了一个设计空间，并通过大量的实验来评估它，获得了有趣的发现，为模型设计提供了见解。在这些见解的指导下，本发明对原设计空间进行了压缩，以获得一个紧凑的空间，其中包含更高浓度的高性能模型。实验表明，压缩后的设计空间具有较高的质量和较强的泛化能力。本发明首次尝试对基于图神经网络的协同过滤设计空间进行了剖析，这不仅加深了领域学者对模型不同设计维度的理解，也为推荐场景下的图神经网络方法设计提供了一种新的范式。

技术领域

本发明涉及数据挖掘领域，尤其涉及一种基于图神经网络的协同过滤模型设计方法。

背景技术

协同过滤(Collaborative Filtering，CF)是现代推荐系统的基本技术，它基于用户之间的交互，通过将用户和商品参数化为嵌入来学习用户偏好。矩阵分解(MatrixFactorization,MF)是最传统的CF技术之一，它将用户/商品的一个独热ID投影至嵌入向量中，然后利用用户与商品嵌入向量的点积重构用户-商品交互矩阵。近年来深度学习在许多领域取得了巨大成功，这激发了许多采用神经网络架构的CF模型被提出。例如，神经协同过滤(Neural Collaborative Filtering，NCF)使用多层感知器(Multi-Layer Perceptron，MLP)代替传统的点积作为用户-物品交互函数。

近年来，由于图神经网络(GNNs)能够学习有效的用户/商品表示，其在CF领域取得了巨大的成功。基于图神经网络的协同过滤模型大都采取消息传递(或称邻居聚合)的设计范式，即中心节点的表示通过聚合其邻居节点的表示，即“消息”，得到迭代更新：例如图神经协同过滤(Neural Graph Collaborative Filtering，NGCF)决定消息在图结构和中心节点之间的亲和性上的传播，并结合不同层的表示来得到最终的节点表示。轻量化图卷积神经网络(Light Graph Collaborative Filtering，NGCF)认为非线性和权重矩阵对于协同过滤是无用的，并提出了一个简单的基于图卷积神经网络(Graph Convolution Network，GCN)的协同过滤模型。解耦图协同过滤(Disentangled Graph Collaborative Filtering，DGCF)将用户/商品表示分解为几个部分，从多个方面反映用户偏好。

近年来，对图神经网络和协同过滤进行的评价性研究已成为一种新的趋势。对于图神经网络,Shchur等人研究了数据集分割对于模型表现的影响，并比较了不同数据集分割下的综合评估结果。Lv等人指出了异质图神经网络评测中存在的问题，并提出了一个比较基准。Zhang等人比较了在双曲空间和欧几里得空间中网络嵌入的性能。之前在推荐领域的工作也对模型的可复现问题和公平评估问题进行了探讨，他们发现，最近提出的一系列基于神经网络的复杂模型效果不如简单且优化良好的基线算法。You等人探索了图神经网络的设计空间和任务空间，并进行了实验，为更好的图神经网络模型设计提供指导。

尽管各种基于图神经网络的协同过滤模型被提出，但它们只针对特定的场景设计了特定的模型架构。此外，作为一种重要的协同过滤技术，基于图神经网络的协同过滤方法未得到充分的实验评估。

发明内容

本发明针对上述技术问题，提供一种新的基于图神经网络的协同过滤模型设计方法，即分析模型的设计空间。与现有技术侧重于比较单个模型的性能不同的是，本发明将研究层次提升到提出一个高质量的模型设计空间，保证了更强的鲁棒性和泛化性，以便在不同的推荐场景中设计出性能最佳的模型。

为了实现上述目的，本发明提供如下技术方案：

一种基于图神经网络的协同过滤模型设计方法，包括以下步骤：

S1、提出基于图神经网络的协同过滤模型统一设计框架，该框架包含初始化、图神经网络、多组件和交互函数四个模块；