摘要: 作为推荐系统中的经典算法,双塔型神经网络已被广泛应用在大规模信息召回任务中。 但是由于两个神经网络之间相互独立,神经网络无法学习用户和商品之间的交互信息。此外,由于缺乏对图连接信息的学习能力,其召回范围较图学习算法更窄。针对上述问题,提出了一种二阶段孪生卷积神经网络推荐算法TSN(Two-stage siamese graph convolutional neural network recommendation algorithm)。首先,以用户行为构建异质图;然后,在双塔型神经网络之间设计图卷积孪生网络,从而实现在学习异质图连接信息的同时进行信息交互;最后,通过设计特殊结构的二阶段孪生信息共享机制,使得用户侧和商品侧的神经网络在训练过程中能够动态地、双向地传输信息,且有效避免神经网络串联。经过基于MovieLens和豆瓣电影数据集的对比实验,得到由HR@N、NDCG@N、MRR@N构成的平均性能相较于最优基准算法DAT分别提升了4.70%和13.28%。结果表明,该方法能够缓解双塔型神经网络缺乏信息交互的问题,相较于之前的算法,推荐性能提升显著。
中图分类号: