为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency ma...为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency matrix optimization and negative sampling,AMONS)。具体来说,模型利用邻接矩阵对用户和物品进行嵌入优化,并在卷积层聚合时引入层衰减系数,区分不同层的重要程度。接着,为每对用户-正样本生成一组经过筛选的负样本,让模型能够充分利用用户-物品的历史交互数据,更好地学习用户偏好。在Gowalla和Amazon-Books两个公开数据集上进行了充分的实验,与相关方法相比,AMONS取得了最佳的性能表现,证明了方法的有效性。展开更多
文摘为了缓解推荐系统中随机初始化用户和物品的嵌入、忽视不同卷积层的重要程度以及负样本数量太少且质量不高的问题,提出了一种基于邻接矩阵优化和负采样的图卷积推荐方法(graph convolution recommendation method based on adjacency matrix optimization and negative sampling,AMONS)。具体来说,模型利用邻接矩阵对用户和物品进行嵌入优化,并在卷积层聚合时引入层衰减系数,区分不同层的重要程度。接着,为每对用户-正样本生成一组经过筛选的负样本,让模型能够充分利用用户-物品的历史交互数据,更好地学习用户偏好。在Gowalla和Amazon-Books两个公开数据集上进行了充分的实验,与相关方法相比,AMONS取得了最佳的性能表现,证明了方法的有效性。
