软件学报

作者：钱忠胜，赵畅，俞情媛，李端明

单位：钱忠胜，江西财经大学 信息管理学院, 江西 南昌 33001311,赵畅，江西财经大学 信息管理学院, 江西 南昌 33001302,俞情媛，江西财经大学 信息管理学院, 江西 南昌 33001303,李端明，江西财经大学 信息管理学院, 江西 南昌 33001304

关键词：推荐系统;注意力机制;卷积神经网络;图神经网络;信息融合

基金：国家自然科学基金（61762041）；江西省自然科学基金（20181BAB202009）；江西省教育厅科技重点项目（GJJ180250）

稀疏性问题一直是推荐系统面临的主要挑战，而信息融合推荐可以利用用户的评论、评分以及信任等信息发掘用户的偏好来缓解这一问题，从而为目标用户生成相应的推荐.用户、项目信息的充分学习是构建一个成功推荐系统的关键.但不同用户对不同项目有不同的偏好，且用户的兴趣偏好及社交圈是动态变化的.提出一种结合深度学习与信息融合的推荐方法来解决稀疏性等问题.特别地，构建了一种新的深度学习模型——结合注意力卷积神经网络（attention CNN）与图神经网络（GNN）的信息融合推荐模型ACGIF.首先，在CNN中加入注意力机制来处理评论信息，从评论信息中学习用户和项目的个性化表示.根据评论编码学习评论表示，通过用户/项目编码学习评论中用户/项目表示.加入个性化注意力机制来筛选不同重要性级别的评论.然后，利用GNN来处理评分和信任信息.对于每个用户来说，扩散过程从最初的嵌入开始，融合相关特性和捕获潜在行为偏好的自由用户潜在向量.设计了一个分层的影响传播结构，以模拟用户的潜在嵌入如何随着社交扩散过程的继续而演变.最后，对前两部分得到的用户对项目的偏好向量进行加权融合，获得最终的用户对于项目的偏好向量.在4组公开数据集上，以推荐结果的MAE和RMSE作为评估指标进行了实验验证.结果表明，与现有的7个典型推荐模型相比，所提模型的推荐效果和运行时间均占优.

来源：2023年第5期

《软件学报》期刊编辑部

查看软件学报杂志2023年第5期