换一批基于自适应权重和随机负采样的图卷积网络推荐算法
Graph Convolutional Network Recommendation Algorithm Based on Adaptive Weights and Random Negative Sampling
摘要推荐算法能够有效提升信息传递效率.目前,基于图卷积网络(GCN)的协同过滤推荐模型通常未考虑每个节点所扮演角色具有不同的重要性和权重;此外,在模型损失优化过程中容易出现样本不平衡,负样本远多于正样本,导致模型存在一定程度上的过拟合问题,限制了推荐性能.为了更好地提高推荐算法的推荐性能,提出一种基于自适应权重和随机负采样的图卷积网络推荐模型(ANS-GCN).该模型可以在模块中计算节点权重,以捕获不同节点的重要性权重,是一种方便的即插即用方法;在损失优化模块融合了随机负采样策略作为辅助损失,缓解训练过程中样本类别不平衡问题,降低模型过拟合程度,提高泛化能力.在3个公开数据集上进行对比试验,结果表明,本文模型在Recall@20和NDCG@20两个评价指标上均优于基线模型.
更多相关知识
关键词
推荐算法图卷积网络协同过滤自适应权重随机负采样recommendation algorithmgraph convolutional networkcollaborative filteringadaptive weightrandom negative sampling
分类号
TP305
栏目名称
DOI
10.11713/j.issn.1009-4822.2025.02.019
发布时间
2025-02-21（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（42004153）
北华大学研究生创新计划项目（2023052）
- 浏览8
- 被引2
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
