郑 诚，黄夏炎

(安徽大学 计算机科学与技术学院，合肥 230601)(安徽大学 计算智能与信号处理教育部重点实验室，合肥 230601) E-mail:huangxy94@foxmail.com

1 引 言

由于互联网的快速发展，人们需要面对与日俱增的海量数据，从而出现了信息过载的问题.而推荐系统的出现则有效地缓解了信息过载对互联网用户的困扰.推荐系统主要依赖推荐算法进行有效的推荐.在一系列相关的算法中，协同过滤(Collaborative Filtering，CF)算法使用最为广泛[1].该算法的核心思想是根据用户和物品产生的交互来预测用户可能感兴趣的其它物品.

协同过滤算法主要通过学习潜在特征(Factor Feature)来对用户和物品进行表示，潜在特征也可以称为嵌入(Embedding).而协同过滤算法主要利用潜在特征向量进行预测[2].矩阵分解(Matrix Factorization)算法是该类算法的早期代表，该算法直接将单个用户映射到嵌入中.随后的研究又发现，根据用户的交互历史，增加所需要映射的用户数量可以有效地提升嵌入的质量.例如，Yehuda Koren提出的SVD++算法验证了使用用户的历史交互信息可以明显提升评分预测的准确性[3]，He等人提出的NAIS(Neural Attentive Item Similarity)模型对与用户产生过交互的物品按重要程度进行了区分，也取得了较好的结果.但是上述方法均只使用了与用户产生过直接联系的邻域的信息(即图1中的L=1范围).

图1 用户与物品交互示意图Fig.1 Example of users interaction with items

近年来，图卷积网络(Graph Convolution Network，GCN)在很多领域取得了非常好的成果，也越来越多的被应用于推荐系统任务.GCN网络可以更有效地利用用户的高跳邻居(high-hop neighbors)的信息.Wang等人在图卷……