基于GNN的矩阵分解推荐算法

摘要

相较于协同过滤,矩阵分解有着更好的拓展性和灵活性,但同样受到数据稀疏和冷启动的困扰.针对上述问题,提出一种融合GNN和PMF的推荐算法GNN_MF.该算法通过神经网络对社交网络图以及用户项目图进行建模,将两个图内在的联系起来,学习目标用户在社会空间以及项目空间上的特征向量.通过MLP将两个特征向量串联提取用户的潜在特征向量,集成在概率矩阵分解模型上,产生预测评分.在真实数据集Epinions、Ciao上的大量实验表明,GNN_MF算法的均方根误差和平均绝对误差较传统PMF分别降低了2.91％、3.10％和4.83％、3.84％.验证了GNN_MF算法在推荐系统中的有效性以及可行性.