计算机研究与发展

作者：黄玲,黄镇伟,黄梓源,关灿荣,高月芳,王昌栋,

关键词：跨域推荐, 多部图构造, 宽度学习系统, 图卷积网络, 推荐系统,

跨域推荐（cross-domainrecommendation，CDR）通过利用其他域的额外知识，有效缓解了传统推荐系统遭遇的数据稀疏性问题.但是当前的CDR方法忽略了用户-项交互图所蕴含的高阶信息.为此，提出了一个新的框架，称为图卷积宽度跨域推荐系统（graphconvolutionalbroadcross-domainrecommendersystem，GBCD）.具体地，将传统的用户-项交互的2-部图扩展到一个(D+1)-部图，以建模每个域中用户和项之间的关系，然后使用公共用户作为源域和目标域之间的桥梁来传递信息.通过图卷积网络（graphconvolutionalnetwork，GCN）学习用户与项之间的高阶关系，以聚合领域信息.然而，由于GCN在大量节点下收敛速度非常慢，并倾向于吸收不可靠的交互噪声，导致鲁棒性较差.为此，将域聚合特征输入到宽度学习系统（broadlearningsystem，BLS），并利用BLS的随机映射特征增强了GCN的鲁棒性，进而获得了较好的推荐性能.在2个真实数据集上进行的实验结果表明，GBCD优于各种先进的跨域推荐方法.

来源：2024年第7期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第7期