第1期 吴国栋，等：图神经网络推荐研究进展 ·17· 节点用户的嵌入化向量sk,见式(8)： 节点与他的第k个邻居的相似度计算结果。 Sx=ReLU(W si.s) (8) 6)将所有的邻居节点信息通过注意力系数相 式中：ReLU为非线性激活函数，W[s,s]表示对 加后，得到表示目标节点所有邻居节点的信息向 向量s、S进行连接处理后使用W,进行偏置。 量，见式(10)，再将.经过偏置加权之后作为 5)目标节点的初始状态选取为h,邻居节点 节点的下一轮状态进行更新，见式(11)： 的初始状态选取为5，利用构建完成的用户与好 i.=∑eauo2 (10) 友之间关系的拓扑图，通过计算每层的目标节点 -ReLU(wz9） (11) 和邻居节点的相似度关系，提取出注意力系数 式中：W是可训练的权值矩阵，1、+1表示当前更 ad,见式(9)： 新的次数。 exp(f(n) (9) 7将节点的特征与嵌入化得到的物品特征进 行相似度运算，通过softmax进行输出，此时输出 式中：I表示当前的更新次数，h,h)表示目标 的结果就是某用户对物品可能的感兴趣程度。 层数0 h w GN节点更新 用户u的 近期行为 短期兴趣口 长期兴趣s1■ s'gan 近期行为+RNN 朋友1 朋友2 朋友3 朋友 NG 长期行为向量化 物品嵌人化处理 层数L 输出概率分布 物品1 物品2 h 物品3 物品4 ht) 相似度层 物品 进行推荐 h,凸 图1无向单元图GNN推荐模型 Fig.1 Single-unit undirected graph GNN model 该模型充分考虑到社会关系与用户本人的当 有加以区分。 前兴趣，但对物品特征的提取比较粗糙，没有考 4.2无向二元图GNN推荐 虑到用户与物品之间的互动关系，同时不同的朋 在实际推荐中，最常见的关系就是用户与项 友对用户的影响程度也是不一样的，此模型也没 目（物品）的交互记录，这两种实体关系就可以构节点用户的嵌入化向量 sk，见式 (8)： sk = ReLU( W1 [ s s k ,s l k ]) (8) W1 [ s s k ,s l k ] 式中：ReLU 为非线性激活函数， 表示对 向量 s s k、s l k 进行连接处理后使用 W1 进行偏置。 hn sk auk 5) 目标节点的初始状态选取为 ，邻居节点 的初始状态选取为 ，利用构建完成的用户与好 友之间关系的拓扑图，通过计算每层的目标节点 和邻居节点的相似度关系，提取出注意力系数 ，见式 (9)： α (l) uk = exp( f ( h (l) u , h (l) k )) ∑ j∈N(u)∪{u} α (l) ukh (l) k (9) 式中：l 表示当前的更新次数，f(h l u，h l k ) 表示目标 节点与他的第 k 个邻居的相似度计算结果。 hˆ u hˆ u 6) 将所有的邻居节点信息通过注意力系数相 加后，得到表示目标节点所有邻居节点的信息向 量 ，见式 (10)，再将 经过偏置加权之后作为 节点的下一轮状态进行更新，见式 (11)： hˆ u = ∑ k∈N(u)∪{u} α (l) ukh (l) k (10) h (l+1) u = ReLU( W(l) hˆ (l) u ) (11) 式中：W 是可训练的权值矩阵，l、l+1 表示当前更 新的次数。 7) 将节点的特征与嵌入化得到的物品特征进 行相似度运算，通过 softmax 进行输出，此时输出 的结果就是某用户对物品可能的感兴趣程度。 … … … … 短期兴趣 长期兴趣 朋友1 朋友2 朋友3 朋友 |N(u)| 近期行为+RNN 长期行为向量化 用户u的 近期行为 … GNN节点更新 层数0 层数 L … 物品1 物品2 物品3 物品4 物品|I| 物品嵌入化处理 s1 s s1 1 s2 s s2 1 s3 s s3 s2 s1 s S |N(u)| s|N(u)| h (0) |N(u)| s 1 |N(u)| s3 1 h1 (0) h2 (0) h3 (0) h1 (L) h2 (L) h3 (L) hu (L) hu (0) 输出概率分布进行推荐 相似度层 Soft-max 层 hu (L) h (L) |N(u)| 图 1 无向单元图 GNN 推荐模型 Fig. 1 Single-unit undirected graph GNN model 该模型充分考虑到社会关系与用户本人的当 前兴趣，但对物品特征的提取比较粗糙，没有考 虑到用户与物品之间的互动关系，同时不同的朋 友对用户的影响程度也是不一样的，此模型也没 有加以区分。 4.2 无向二元图 GNN 推荐 在实际推荐中，最常见的关系就是用户与项 目 (物品) 的交互记录，这两种实体关系就可以构 第 1 期 吴国栋，等：图神经网络推荐研究进展 ·17·