声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：张惠鹃,黄钦阳,胡诗彦,杨青,张敬伟,
关键词：推荐系统, 链接预测, 完全图, 高阶关系, 关联关系,
图卷积网络（graphconvolutionalnetwork,GCN）因其在处理图数据方面的独特优势而被广泛应用于推荐系统中，它通过利用图中节点之间的依赖关系传播节点属性信息，极大地提高了节点表示的准确度从而提升推荐性能.然而现有基于GCN的推荐方法仍因过平滑问题而难以进行更深层的建模，从而限制了用户与项目间高阶关系的表达.为此，提出了一种基于项目间关系的完全图高阶关系驱动的链接预测（linkpredictiondrivenbyhigh-orderrelationsincompletegraph，LinkCG）方法.LinkCG通过用户-项目交互图与项目间隐式关联关系全局图组成的异构图预测用户到项目的链接，跳过了中间的用户节点直接利用完全图建模每个用户历史交互的项目间的局部隐式关联关系，获得项目间的高阶关系从而缓解数据稀疏性问题；此外，不同于基于节点嵌入的推荐方法，LinkCG通过赋予项目间的链接权重来表示项目间关系的紧密程度，并根据紧密程度进行链接预测，优化了模型的训练过程.在3个公开数据集上的实验结果表明，LinkCG作为只包含2个超参数的非深度学习模型，与一些先进的基于深度学习的基线方法相比提供了更好的性能.在社交关系数据上的应用进一步表明LinkCG能够从用户历史交互项目中获取足够丰富的用户偏好信息.
来源：2024年第7期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。