·792· 智能系统学报 第17卷 exp(F(pi,qi)) Y= filtering recommendation approach incorporating so- cial relationships,.F-LightGCCF),分别与以下4种 exp(F(Pi.q)) 先进的推荐模型比较： 式中：B2为一个平滑系数，防止过度平滑，取值范 1)GRMF1乳：该模型通过利用图拉普拉斯正 围为[0,1]。 则化算子来平滑矩阵分解，设计了图正则化交替 最后，在模型预测部分，采用内积交互函数， 最小二乘法对算法进行优化，利用加权核范数结 通过内积运算得到用户对目标项目的偏好为 构化矩阵分解框架。 Sui=er*er 2)Mult-VAE20:该模型将可变自动编码器应 2.2.4模型优化 用于协同过滤算法，利用非线性概率模型挖掘用 本文使用贝叶斯(Bayesian personalized rank 户-项目之间的隐式反馈。 ing,BPR)损失函数I对模型进行优化，主要原因 3)NGCF:该模型是基于图卷积神经网络的 是贝叶斯损失函数考虑了观察到的交互和未观察 先进推荐模型，通过构建了k层嵌入传播层对交 到的交互之间的成对偏好比较。本文还利用用户 互信息进行嵌入传播学习，最终得到用户-项目 的社交关系产生了一系列中间反馈，与BPR的基 之间的关联分数。 本假设相比，本文假设可以从用户的社交网络 4)LightGCN:该模型基于NGCF模型，摒弃 中，在未观察到的交互中挖掘出更多的用户偏 了NGCF模型中特征变换和非线性激活2个复杂 好，优化目标为 的设计，降低了模型的训练难度。 LA=∑-lnc(⑤.+交-)+Or 3.3实验设置 人议 本文模型和算法使用Python语言基于Tensor- 式中：O-{(u,i,ku,)∈R,(u,)∈R,(u,k)∈R}表示 Flow框架实现，机器配置为GPUi7-8700K3.7GHz, 数据集合，每一条数据都是一个四元组。R表示 操作系统为Windows 10。在实验中，对于每一个 观测到的用户-项目交互动作，R表示未观测到的 数据集，随机选择每个用户的80%的交互历史构 用户-项目交互动作，R表示挖掘出的中间反馈， 成训练集，剩余的20%作为测试集。随机选取训 o0是sigmoid函数。Ao为L2正则化项，A为正 练集中的10%作为验证集，用于参数的调试。基 则化系数，控制L2正则化强度防止过拟合， 于以往模型9的经验，正则化系数设置为1×10， ⊙={E,B}表示所有可训练的模型参数。 每次处理的数据量大小为1024，迭代次数为 Dropout策略可以在模型训练时有效防止模 l00次时模型收敛。经验证集测试后，在Gowalla 型的过拟合，本文采用节点丢弃的Dropout策 数据集和Yelp2018数据，Dropout率分别设置为 略。随机冻结一些特定节点，使其消息不向外传 0.3和0.1。学习率设置为0.0006，注意力网络的 播，对于3层高阶传播，随机丢弃拉普拉斯矩阵中 平滑系数B,和B2均设置为0.5。参数调整好之 的(M4Wp个节点，其中p为Dropout率。 后，本文采用Adam作为优化器，使用Xavier方 式初始化模型参数，嵌入大小为64，使用3个 3实验 64×64的图卷积层。 3.1数据集 3.4评价指标 在本文，每种模型均输出用户对所有项目的 实验采用Gowalla和Yelp20l8两个公开的数 偏好分数，为了评估top-k推荐和偏好排序的有效 据集来评估提出的模型，表1给出了两个数据集 性，实验使用召回率(Recall(@)、精确率(Preci- 的统计信息。 sion@k)和归一化折现积累收益(NDCG@k)作为 表1实验数据信息 推荐效果方面的评价指标。默认情况下，设置 Table 1 Statistics of the datasets =20。召回率是所有“被正确推荐的项目”占所有 数据集用户个项目/个朋友个社交数据/条稀疏度 “应该被推荐的正确的项目”的比例，精确率是“被 Gowalla 74644098122394 10273700.00084 正确推荐的项目”占“所有被正确推荐的项目”的 Yelp20187958408412387316668690.00128 比例，分别如式(3)和(4)所示。 3.2对比算法 ∑n Recall@k 本文提出的融合社交关系的轻量级图卷积协 (3) 同过滤模型(light graph convolutional collaborativeγ = exp(F (pi , qi))   ∑ j∈πr exp(F (pi , qi))   β2 式中：β2 为一个平滑系数，防止过度平滑，取值范 围为 [0,1]。 最后，在模型预测部分，采用内积交互函数， 通过内积运算得到用户对目标项目的偏好为 yˆui = e T u ∗ ei 2.2.4 模型优化 本文使用贝叶斯 (Bayesian personalized rank￾ing，BPR) 损失函数[18] 对模型进行优化，主要原因 是贝叶斯损失函数考虑了观察到的交互和未观察 到的交互之间的成对偏好比较。本文还利用用户 的社交关系产生了一系列中间反馈，与 BPR 的基 本假设相比，本文假设可以从用户的社交网络 中，在未观察到的交互中挖掘出更多的用户偏 好，优化目标为 LAPA = ∑ u,λ, j,k −lnσ ( yˆu +yˆu, −yˆu ) +λ∥Θ∥ 2 Θ λ||Θ||2 λ Θ 式中： ={(u,i,j,k)|(u,i)∈R + ,(u,j)∈R − ,(u,k)∈R− + }表示 数据集合，每一条数据都是一个四元组。R +表示 观测到的用户–项目交互动作，R −表示未观测到的 用户–项目交互动作，R– +表示挖掘出的中间反馈， σ() 是 sigmoid 函数。 为 L2 正则化项， 为正 则化系数，控 制 L2 正则化强度防止过拟合， ={E,β }表示所有可训练的模型参数。 Dropout 策略可以在模型训练时有效防止模 型的过拟合，本文采用节点丢弃的 Dropout 策 略。随机冻结一些特定节点，使其消息不向外传 播，对于 3 层高阶传播，随机丢弃拉普拉斯矩阵中 的 (M+N)p 个节点，其中 p 为 Dropout 率。 3 实验 3.1 数据集 实验采用 Gowalla 和 Yelp2018 两个公开的数 据集来评估提出的模型，表 1 给出了两个数据集 的统计信息。 表 1 实验数据信息 Table 1 Statistics of the datasets 数据集 用户/个 项目/个 朋友/个 社交数据/条 稀疏度 Gowalla 7464 40 981 22394 1027 370 0.00084 Yelp2018 7958 40 841 23873 1666 869 0.00128 3.2 对比算法 本文提出的融合社交关系的轻量级图卷积协 同过滤模型 (light graph convolutional collaborative filtering recommendation approach incorporating so￾cial relationships，F-LightGCCF)，分别与以下 4 种 先进的推荐模型比较： 1）GRMF[19] ：该模型通过利用图拉普拉斯正 则化算子来平滑矩阵分解，设计了图正则化交替 最小二乘法对算法进行优化，利用加权核范数结 构化矩阵分解框架。 2）Mult-VAE[20] ：该模型将可变自动编码器应 用于协同过滤算法，利用非线性概率模型挖掘用 户–项目之间的隐式反馈。 3）NGCF[8] ：该模型是基于图卷积神经网络的 先进推荐模型，通过构建了 k 层嵌入传播层对交 互信息进行嵌入传播学习，最终得到用户–项目 之间的关联分数。 4）LightGCN[9] ：该模型基于 NGCF 模型，摒弃 了 NGCF 模型中特征变换和非线性激活 2 个复杂 的设计，降低了模型的训练难度。 3.3 实验设置 本文模型和算法使用 Python 语言基于 Tensor￾Flow 框架实现，机器配置为 GPU i7-8700K 3.7 GHz， 操作系统为 Windows 10。在实验中，对于每一个 数据集，随机选择每个用户的 80% 的交互历史构 成训练集，剩余的 20% 作为测试集。随机选取训 练集中的 10% 作为验证集，用于参数的调试。基 于以往模型[9] 的经验，正则化系数设置为 1×10−4 ， 每次处理的数据量大小为 1 024，迭代次数为 100 次时模型收敛。经验证集测试后，在 Gowalla 数据集和 Yelp2018 数据，Dropout 率分别设置为 0.3 和 0.1。学习率设置为 0.000 6，注意力网络的 平滑系数 β1 和 β2 均设置为 0.5。参数调整好之 后，本文采用 Adam[21] 作为优化器，使用 Xavier 方 式初始化模型参数，嵌入大小为 64，使用 3 个 64×64 的图卷积层。 3.4 评价指标 在本文，每种模型均输出用户对所有项目的 偏好分数，为了评估 top-k 推荐和偏好排序的有效 性，实验使用召回率 (Recall@k)、精确率 (Preci￾sion@k) 和归一化折现积累收益 (NDCG@k) 作为 推荐效果方面的评价指标。默认情况下，设置 k=20。召回率是所有“被正确推荐的项目”占所有 “应该被推荐的正确的项目”的比例，精确率是“被 正确推荐的项目”占“所有被正确推荐的项目”的 比例，分别如式（3）和（4）所示。 Recall@k = ∑ u |R(u)∩ |T(u) | ∑ u |T(u)| (3) ·792· 智 能 系 统 学 报 第 17 卷