18、融合用户评论与图神经网络的推荐系统研究

融合用户评论与图神经网络的推荐系统研究

在当今信息爆炸的时代，推荐系统对于帮助用户筛选和发现感兴趣的内容或产品起着至关重要的作用。然而，现有的推荐系统大多存在一定的局限性，比如不能很好地捕捉用户动态变化的偏好。本文将介绍两种不同的推荐方法，一种是引入用户评论的强化学习推荐系统，另一种是基于异构图神经网络的会话推荐模型，它们在不同方面对传统推荐系统进行了改进。

引入用户评论的强化学习推荐系统

• 推荐原理 ：该系统将知识图谱上的推荐问题视为马尔可夫决策过程（MDP），通过利用用户的评论和评分完成评分预测任务，把预测的评分分数转化为强化学习环境中的奖励反馈，以此增强智能体识别用户偏好的能力。其具体的推荐过程是，探索器以一定方式选择下一个要访问的节点，经过三跳后到达某些节点。如果该节点是物品节点，就将此物品推荐给用户，并把推理路径作为推荐解释。若同一物品有多个推理路径，会计算三跳的累积概率，概率最高的路径作为推荐解释。最后，计算用户嵌入和每个物品嵌入的内积作为分数，选取分数最高的前N个物品作为最终推荐。
• 对比模型
  • RKGR - ND ：使用从正态分布中随机采样的分数作为评分预测分数。其评分方程为 $\hat{p}_{u,i} = X \sim N(3, 1)$，其中 $X$ 是服从数学期望为 3、标准方差为 1 的正态分布的随机变量。奖励函数使用特定公式，将其中的评分预测函数替换为此方程，$\rho$ 取 0.5。
  • RKGR - MF ：利用矩阵分解（MF）获得评