主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
葛尧,陈松灿.面向推荐系统的图卷积网络.软件学报,2020,31(4):0
面向推荐系统的图卷积网络
Graph Convolutional Network for Recommender Systems
投稿时间:2019-05-31  修订日期:2019-07-29
DOI:10.13328/j.cnki.jos.005928
中文关键词:  图卷积网络  图信号  几何深度学习  神经网络  推荐系统
英文关键词:graph convolutional network  graph signal  geometric deep learning  neural network  recommender system
基金项目:国家自然科学基金(61672281,61732006)
作者单位E-mail
葛尧 南京航空航天大学 计算机科学与技术学院, 江苏 南京 211106  
陈松灿 南京航空航天大学 计算机科学与技术学院, 江苏 南京 211106 s.chen@nuaa.edu.cn 
摘要点击次数: 58
全文下载次数: 17
中文摘要:
      图卷积网络是一种针对图信号的深度学习模型,由于具有强大的特征表征能力得到了广泛应用.推荐系统可视为图信号的链接预测问题,因此近年来提出了使用图卷积网络解决推荐问题的方法.推荐系统中存在用户与商品间的异质顶点交互和用户(或商品)内部的同质顶点交互,然而,现有方法中的图卷积操作要么仅在异质顶点间进行,要么仅在同质顶点间进行,留下了提升此类推荐系统性能的空间.考虑到这一问题,本文提出了一种新的基于图卷积网络的推荐算法,使用两组图卷积操作同时利用两种不同的交互信息,其中异质顶点卷积用于挖掘交互图谱域中存在的连接信息,同质顶点卷积用于使相似顶点具有相近表示.实验结果验证了本文算法比现有算法具有更优的精度.
英文摘要:
      Graph convolutional network (GCN) is a deep learning model for graph signal processing and has been used in many real-world applications due to its powerful ability of feature extraction. As the recommendation problem can be viewed as link prediction of graph signals, recently several GCN based methods have been proposed for recommender systems. A recommender system involves two kinds of interactions, with one representing interactions between users and items and the other representing interactions among users (or items). However, existing methods focus on either heterogeneous or homogeneous interactions only, thus their modeling expressiveness is limited. In this paper, we propose a new GCN based recommendation algorithm to jointly utilize these two types of interactions. Specifically, a heterogeneous convolutional operator is used to mine information from the spectrum of user-item graphs, while a homogeneous convolutional operator is used to enforce similar vertices to be similar in the hidden space. Finally, our experiments on benchmark datasets show that our new method achieves better performance compared with several state-of-the-art methods.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利