梁顺攀，涂 浩，王荣生，原福永，张熙瑞

1(燕山大学 信息科学与工程学院，河北 秦皇岛 066004)

2(河北省软件工程重点实验室(燕山大学)，河北 秦皇岛 066004)

1 引 言

由于互联网上的信息逐渐演变为多源异构信息，图神经网络(GNN)因其更强大的数据表达能力得到广大研究者的密切关注.基于GNN方法的模型也产生了许多的优化变种.一些方法侧重于对采样策略的设计.如PinSage[1]方法使用随机游走的方法进行邻域采样，在大规模图网络中取得了不错的效果.另一些方法侧重于如何聚合邻居节点的特征，如GAT[2]方法采用注意力机制学习相邻节点的特征权重并聚合，通过度量每个邻居节点与中心节点之间特征向量的相关性然后偏向性的聚合不同邻居的特征.

同时，也有越来越多的学者将GNN应用到知识图推荐系统中.Rex等人将GNN应用于二部图推荐模型[3]，并将其部署在Pintereset上.Wang等人提出了RippleNet[4]和KGCN[5].RippleNet是一个向外传播模型，它在基于每个用户的潜在首选项的路径中扩散用户的兴趣项，以生成用户表示.KGCN利用邻域聚合来计算项目表示.此外，可以将邻居聚合扩展到多层节点之外，并允许模型捕获高阶和远程实体依赖关系.Wang等人提出知识图注意力网络(KGAT)[6]，在知识图上利用注意力网络，递归地生成用户和项目嵌入表示.这些方法也遇到了一些新的问题，如，当GCN聚合邻居节点时，图卷积网络存在邻居爆炸问题.在基于GNN的推荐模型中，当前层中每个节点的表示是从其邻居的上一层表示中……