王 磊 熊于宁 李云鹏 刘媛媛

(西南财经大学经济信息工程学院 成都 610074)

协同过滤(collaborative filtering,CF)是推荐系统中的主要方法之一[1].根据是否采用了机器学习模型，它可以分为：基于内存的协同过滤[2-3]和基于模型的协同过滤[4-9].相比于前者存在的依赖于相似度函数、内存占用度高、难以发现实体之间的非线性和隐含联系等不足，基于模型的方法利用矩阵隐空间分解[4-5]、Markov链[6]、深度神经网络[7-8]等模型学习实体的嵌入表示，能够从实体交互操作及辅助信息中更有效地捕获实体间的复杂联系，是目前研究最广泛的推荐方法.

近几年，图卷积神经网络(graph convolutional neural network,GCN)的研究逐渐兴起[9-14]，由于具有在图结构上学习嵌入表示的强大能力，它成为当前推荐系统中最热门的研究方法[10-11,15-18].GCN利用谱图理论定义了图卷积操作，在拓扑图上传播和聚合邻居节点的消息，具有同时利用实体特征和图结构特征学习实体嵌入表示的优势.实质上，它是将传统卷积神经网络(convolutional neural network,CNN)[17]优良的特征学习和表示能力扩展到非规则的图数据上.

推荐场景中的实体及其交互关系可以很自然地用拓扑图表示，因而非常适于采用GCN模型实现基于图的推荐任务.近3年来，一些基于图卷积神经网络的推荐模型相继被提出.例如，Berg等人[10]使用GCN作为编码器在图自编码框架下实现了GCMC(graph convolutional matrix completion)推荐模型，它利用单个图卷积层在“用户-项目”二分图上聚合1阶邻居的协同信号，实现了端到端的评分预测.Wang等人[15]提出了一种NGCF(neural graph collaborative filtering)模型，它利用GCN的消息……