基于图神经网络和多头注意力机制的跨域推荐模型
朱林枫
王军号
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对数据稀疏场景下,基于共享的跨域推荐模型未能有效获取和传递跨域信息,导致用户偏好未能充分迁移以及推荐效率降低的问题,提出了结合图神经网络和多头注意力机制的跨域推荐模型(cross-domain recommendation model based on graph neural network and multi-head attention mechanism,GMACDR).首先,利用节点到向量(node to vector,Node2Vec)算法进行作图嵌入,通过随机游走生成节点传播路径,并根据跳字(Skip-gram)模型生成高相似性的节点表示.然后,在图卷积神经网络的信息传播过程中,利用多头注意力机制,动态调整不同领域信息的传播权重,捕捉用户物品的深层次联系.最后,利用动态加权机制对领域特征加权求和,以改进特征融合过程,生成更具代表性的用户嵌入.结果表明,GMACDR在多个跨域推荐数据集上优于传统方法,对比最优基线模型,命中率最高提升了 4.61%,归一化折损累计增益最高提升了 10.47%,平均倒数排名最高提升了 9.71%.研究结果证明该模型能够为用户提供更精准的推荐结果.
关键词：图神经网络多头注意力机制相似度矩阵跨域推荐数据稀疏性深度学习推荐系统
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(61300001)
论文发表日期：2025-09-20
在线出版日期：2025-09-24（本平台首次上网日期，不代表文献的发表时间）
页数：7( 418-424 )
英文信息