您当前的位置： 首页 > 论文 > 优先出版
DOI:
10.16355/j.tyut.1007-9432. 20230281
摘要:
针对现有的图卷积网络推荐模型存在的模型收敛效率低、过度平滑、高度节点影响表示学习导致长尾项目推荐效果差等问题，提出基于对比学习的简化图卷积网络推荐算法（SGCN-CL）。算法采用自监督学习方法为用户项目节点生成多视图进行对比学习，以提高模型推荐精度同时提高模型效率，有效改善对长尾项目的推荐；每个视图都对不同的输入进行相同特征提取任务，提出改进消息传播模式的网络SGCN进行相特征提取，以提升模型效率，改善过渡平滑；最后进行多个任务联合优化得到推荐结果。在Amazon-Book、Yelp2018、Gowalla三个公开数据集上进行算法评估，结果表明推荐召回率在三个数据集上分别提升了15.4%、4.3%、1.4%，归一化折损累计增益(NDCG)分别提升了17.8%、4.1%、1.6%，且模型运行效率提升了55%以上。引入对比学习方法后，在对非热门的长尾项目的推荐效果上，也有所提升。
关键字:
图卷积网络；自监督学习；对比学习；长尾项目