·20· 智能系统学报 第15卷 P P MMM L L. E 100 E 0300 0.1 0 0 E 0 1 E 001 0 0 05 E 0 0 E 00 0108 0 0 0 0 E 0 00 E 000.0000.6 E AExP AExM 图4病患、医疗科室、药方以及医疗测试结果关系矩阵 Fig.4 Relation matrix between patients encounters medications and laboratory test data 在式(20)中，、分别表示两种激活函数， 有商家提供的商品描述与分类信息，消费者与系 N表示v节点的所有邻居，k表示第k轮运算。 统交互的点击、浏览、收藏、交易信息，消费者的 H+()="(H(m,f"时({Hw)w∈N( 评分及评论信息等；数据形式有文本信息，图像 (20) 信息、数值评分与标签信息等，甚至还有语音及 Mao对激活函数使用了最简单的求和函数 视频信息等。现有推荐模型对于这些多源多模 如式(21)所示，对节点类型为i的节点的第k轮 态数据很难同时进行有效处理，导致数据利用不 计算，其中表示他的连接节点。 充分或数据对象之间的关系表示不明显。同样 的，现有GNN推荐模型，对节点向量化的方式比 = 21) 较单一，如一般只能对用户留下的评论数据或者 评分加以处理，难以将多源多模态信息进行融合 经过k轮计算之后，将计算的节点结果输入 表示以达到最佳效果。如何充分集成使用多源 两种神经网络，分别进行药方和医疗测试结果的 多模态数据信息是GNN推荐有待解决的一个 推荐。 问题。 在式(22)中，损失函数表示为两项之和，第 5.2GNN的有向图推荐问题 1项Lm为药方预测的误差，见式(23)，第2项 目前GNN推荐模型主要是无向图GNN推 L,表示使用交叉熵的方式表示医疗测试结果的 荐，其中无向图的边用来反映节点之间的互动关 预测误差，见式(24)，1是系数通过这种引入的混 系。但是有向图比无向图可以反映更多的信息， 合误差，很有效地避免了过拟合问题。 比如某种次序或者逻辑关系，有向图的推荐结果 L=L (P,AExM)+ALL (V,AExL) (22) 往往可以取得更好的效果。推荐系统中也存在着 Lw(P.A)=- -aijlogpij+(1-a)log(1-Pi) 对应的有向关系，如信任关系、关注关系等。与 NEZN 无向图GNN推荐相比，基于有向图GNN的推荐 (23) 更具有挑战性，也更为复杂。 L(V.A)=- 1 N ZZ m(y-a)》 (24) 5.3GNN的动态推荐问题 对于数据规模往往很大的图形结构，很难进 该模型较单元图与二元图神经网络，结构更 行实时的图模型更新，而且图神经网络GNN迭 加复杂，但能更有效地对不同类型的数据信息 代过程中往往需要根据整个图的信息向量化才能 进行充分使用。同时，通过将模型中的对象进 完成计算，对于不断更新的数据每次进行重新计 行节点再划分，成功处理了一些实验过程中的 算，需要花费很高的成本，如何在较低成本下完 数据缺失值问题：使用新的正则化规则，避免了 成动态的GNN更新，现有GNN推荐研究并没有 过拟合情况，取得了不错效果。不足之处在于 考虑。如文献30]中，用户的社交情况可能会实 实验相关数据仅采用一家医院，对于规模更大 时发生变化，新朋友可能会对用户的兴趣造成很 的数据集，GNN图形结构将更复杂，实际应用有 大影响，如果可以实时更新用户的社交图谱，就 一定困难。 可以完成对GNN动态推荐。 5现有GNN推荐研究难点 5.4GNN网络更新层数问题 标准的深度神经网络推荐研究中，网络层数 5.1多源多模态信息的GNN推荐问题 可以达到成百上千层，由于更深的结构，可以显 在一个系统中，数据来源与数据结构往往呈 著提高网络的表达能力。在GNN推荐过程中， 现多源异构性。以电子商务系统为例，数据来源 般层数仅仅为个位数。因为堆叠多个GNN层1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0.3 0.0 0.1 0.1 0 0 0 0 0.1 0.0 0 0 0 0 0 0 0 0.8 0 0 0.5 0.6 0 0 1 0 0 0 0 0 0 0 1 0 0 1 AE×P AE×M AE×L ME×L E1 E2 E3 E4 E1 E2 E3 E4 E1 E2 E3 E4 E1 E2 E3 E4 P1 P2 P3 M1 M2 M3 L1 L2 L3 L1 L2 L3 L1 L2 L3 L1 L2 L3 图 4 病患、医疗科室、药方以及医疗测试结果关系矩阵 Fig. 4 Relation matrix between patients encounters medications and laboratory test data 在式 (20) 中，f1、f2 分别表示两种激活函数， N(v) 表示 v 节点的所有邻居，k 表示第 k 轮运算。 H (k+1) (v) = f W (k) 1 1 ( H (k) (v), f W (k) 2 2 ({ H (k) (w)|w ∈ N (v) }) ) (20) Mao 对激活函数 ϕ 使用了最简单的求和函数[36] ， 如式 (21) 所示，对节点类型为 i 的节点的第 k 轮 计算，其中 hj 表示他的连接节点。 H (k+1) i = ϕ   ∑n j=0 Ai j · H (k) j ·W (k) j   (21) 经过 k 轮计算之后，将计算的节点结果输入 两种神经网络，分别进行药方和医疗测试结果的 推荐。 在式 (22) 中，损失函数表示为两项之和，第 1 项 L m 为药方预测的误差，见式 (23)，第 2 项 LL 表示使用交叉熵的方式表示医疗测试结果的 预测误差，见式 (24)，λ 是系数通过这种引入的混 合误差，很有效地避免了过拟合问题。 L = Lm (P, AE×M)+λLL (V, AE×L) (22) LM (P,A) = − 1 NE ∑NE i ∑NM j Nn Np ai j log pi j + ( 1−ai j) log( 1− pi j) (23) LL (V,A) = − 1 NE ∑NE i ∑NL j mi j( vi j −ai j)2 (24) 该模型较单元图与二元图神经网络，结构更 加复杂，但能更有效地对不同类型的数据信息 进行充分使用。同时，通过将模型中的对象进 行节点再划分，成功处理了一些实验过程中的 数据缺失值问题；使用新的正则化规则，避免了 过拟合情况，取得了不错效果。不足之处在于 实验相关数据仅采用一家医院，对于规模更大 的数据集，GNN 图形结构将更复杂，实际应用有 一定困难。 5 现有 GNN 推荐研究难点 5.1 多源多模态信息的 GNN 推荐问题 在一个系统中，数据来源与数据结构往往呈 现多源异构性。以电子商务系统为例，数据来源 有商家提供的商品描述与分类信息，消费者与系 统交互的点击、浏览、收藏、交易信息，消费者的 评分及评论信息等；数据形式有文本信息，图像 信息、数值评分与标签信息等，甚至还有语音及 视频信息等。现有推荐模型对于这些多源多模 态数据很难同时进行有效处理，导致数据利用不 充分或数据对象之间的关系表示不明显。同样 的，现有 GNN 推荐模型，对节点向量化的方式比 较单一，如一般只能对用户留下的评论数据或者 评分加以处理，难以将多源多模态信息进行融合 表示以达到最佳效果。如何充分集成使用多源 多模态数据信息是 GNN 推荐有待解决的一个 问题。 5.2 GNN 的有向图推荐问题 目前 GNN 推荐模型主要是无向图 GNN 推 荐，其中无向图的边用来反映节点之间的互动关 系。但是有向图比无向图可以反映更多的信息， 比如某种次序或者逻辑关系，有向图的推荐结果 往往可以取得更好的效果。推荐系统中也存在着 对应的有向关系，如信任关系、关注关系等。与 无向图 GNN 推荐相比，基于有向图 GNN 的推荐 更具有挑战性，也更为复杂。 5.3 GNN 的动态推荐问题 对于数据规模往往很大的图形结构，很难进 行实时的图模型更新，而且图神经网络 GNN 迭 代过程中往往需要根据整个图的信息向量化才能 完成计算，对于不断更新的数据每次进行重新计 算，需要花费很高的成本，如何在较低成本下完 成动态的 GNN 更新，现有 GNN 推荐研究并没有 考虑。如文献 [30] 中，用户的社交情况可能会实 时发生变化，新朋友可能会对用户的兴趣造成很 大影响，如果可以实时更新用户的社交图谱，就 可以完成对 GNN 动态推荐。 5.4 GNN 网络更新层数问题 标准的深度神经网络推荐研究中，网络层数 可以达到成百上千层，由于更深的结构，可以显 著提高网络的表达能力。在 GNN 推荐过程中， 一般层数仅仅为个位数。因为堆叠多个 GNN 层 ·20· 智 能 系 统 学 报 第 15 卷