利用图神经网络的互补产品推荐

TP181; 互补产品推荐可以提供互补搭配的产品,为用户提供便利.然而现有使用图神经网络的工作忽视了产品的多模态信息,以及多模态模型在模态信息缺失时性能会受到影响.现有多模态模型只是将模态简单拼接,忽略了模态间的联系.因此,提出了一种利用图神经网络的互补产品推荐模型(complementary product recommendation using graph neural network,CPRUG).该模型将图神经网络与多模态信息结合,强化产品的表征;利用图注意力网络,应对多模态缺失问题,维持模型的性能,提高模型的鲁棒性;使用共同注意力机制和矩阵分解双线性池化方法来融合多模态特征,学习产...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 10; pp. 292 - 300
Main Authors 倪伟竣, 纪淑娟, 梁永全
Format Journal Article
LanguageChinese
Published 山东科技大学 计算机科学与工程学院,山东 青岛 266590 10.05.2024
Subjects
多模态
图神经网络
推荐系统
complementary product
multimodal
graph neural network
互补产品
recommendation system
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2304-0222

Cover

More Information
Summary:TP181; 互补产品推荐可以提供互补搭配的产品,为用户提供便利.然而现有使用图神经网络的工作忽视了产品的多模态信息,以及多模态模型在模态信息缺失时性能会受到影响.现有多模态模型只是将模态简单拼接,忽略了模态间的联系.因此,提出了一种利用图神经网络的互补产品推荐模型(complementary product recommendation using graph neural network,CPRUG).该模型将图神经网络与多模态信息结合,强化产品的表征;利用图注意力网络,应对多模态缺失问题,维持模型的性能,提高模型的鲁棒性;使用共同注意力机制和矩阵分解双线性池化方法来融合多模态特征,学习产品的互补关系.在Amazon数据集上进行了实验,实验结果表明,模型的性能优于其他基线模型.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2304-0222