刘 峰，王宝亮，潘文采

（1.天津大学 信息与网络中心，天津 300072；2.天津大学 电气自动化与信息工程学院，天津 300072）

0 概述

随着互联网技术的高速发展，人类社会进入了信息爆炸的时代。为缓解信息过载问题，对推荐系统的研究迫在眉睫。推荐系统主要根据用户行为推荐用户偏好的内容［1］，在电子商务［2］、新闻［3］、短视频［4］等领域发挥着重要作用。

用户-物品推荐是推荐系统比较常见的运用，其对应于图模型中的二部图。大多数网络表示学习法不能直接应用在二部图模型中研究同质网络问题。网络表示学习法主要构建适合处理节点类型较多的网络知识图谱进而解决异质网络问题，而二部图模型缺乏针对性。文献［5］提出基于图模型的推荐算法可以通过随机游走理论解释，但该算法时间复杂度较高且不能体现用户节点与物品节点的差异性。

将网络表示学习法运用到推荐算法中具有较好的效果［6］。传统网络表示学习法是根据一定的假设构造矩阵，保留了网络结构信息的矩阵，进一步得到节点的低维特征向量，如LLE［7］、IsoMap［8］、Laplacian Eigenmap［9］等方法。以上算法虽然在小网络上具有较好的效果，但时间复杂度较高，在大规模网络上应用困难。近年来，人们提出用于学习图的卷积神经网络结构。

推荐算法需考虑用户与物品大量交互和物品自身属性的丰富性问题。基于领域的推荐算法相似度表达简单；基于矩阵分解的推荐算法相似度表达没有考虑到用户与物品的多维特征；……