基于自适应图卷积注意力神经协同推荐算法

本文主要是介绍基于自适应图卷积注意力神经协同推荐算法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

摘 要：随着互联网的快速发展，推荐系统可以用来处理信息过载的问题。由于传统推荐系统的诸多问题导致其无 法处理发掘隐藏信息。文中提出一种自适应图卷积注意力神经协同推荐方法(ANGCACF)。首先获取用户和项目交互 图，通过图卷积神经网络自适应的聚合用户和项目特征信息；其次对用户和项目特征信息添加自适应扩充数据，以 解决数据稀疏性，利用注意力机制对用户和项目特征信息和添加的自适应扩充数据重新分配权重；最后将得到的用 户和项目特征表示使用基于矩阵分解得协同过滤的算法框架得出最终推荐结果。在 MovieLens-1M、MovieLens-100K 和 Amazon-baby 三个公开数据集上的实验表明，该算法在推荐准确率、召回率、MRR、命中率和 NDCG 五个指标 上均优于基线方法。

1.自适应图卷积注意力神经协同模型

      假设 给 定 用 户 集 合 U， , 和项目集合I n 和 m 分别是用户和项目的总数；定义用户和项目的交互矩阵为 ，其中 Eij =1 表示用户 ui 对项目 发生过交互。基于用户集合 U 对项目集合 I 的交互得到产品——项目交互图。用户—项目交互示意图如下图所示。 对交互矩阵 E 进行 one-hot 编码，将 one-hot 编码按照一定维度嵌入后产生 和 。其中表示初始用户特征向量，表示初始项目特征向量。

 1.1自适应填充矩阵图卷积注意力神经网络

  用户自适应填充矩阵和用户特征向量结合后为

       其中， Ru 为随机向量，其维度与用户特征向量相同,Λ(*)为自适应计算函数，通过机器学习二元自适应均值汇聚层 (AdaptiveAvgPool2d)进行训练自适应填充矩阵,为经过自适应填充矩阵和用户特征向量结合后的用户特征向量。

       ANGCACF 算法中使用的注意力机制为自注意力机制， 将结合后的用户特征向量和项目特征向量进行如下计算:

      AGCAN 中的特征向量嵌入层融合方式为:

    用户特征向量最终按照如下操作处理：

    聚合项目特征向量和聚合用户特征向量步骤相同。按照 矩阵形式的迭代规则为:

1.2 聚合系数自适应的图卷积神经网络

    用户特征向量特征向量按照如下操作处理:

      其中， 为通过二元自适应均值汇聚层计算的自适应调节汇 聚系数，且该二元自适应均值汇聚层与自适应填充矩阵不共 享参数为独立计算单元。 聚合项目特征向量和聚合用户特征向量步骤相同。按照 矩阵形式的迭代规则为:

 1.3自适应图卷积注意力神经网络

       自适应图卷积注意力神经网络由自适应填充矩阵图卷积 注意力神经网络和聚合系数自适应图卷积神经网络组合而成:由图 3 可知 AGCAN 首先获取用户和项目的相关信息， 通过判断用户和项目的稀疏程度是否需要进入自适应填充矩 阵图卷积注意力神经网络，当稀疏程度小于自适应阈值时自 动进入聚合系数自适应神经网络，完成本地化信息聚合。 AGCAN 特征向量聚合处理流程如算法 1 所示:

这篇关于基于自适应图卷积注意力神经协同推荐算法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！