基于图神经网络的视频推荐系统  

Video Recommender System with Graph Neural Networks

作　　者：高宸 李勇[1] 金德鹏[1] GAO Chen;LI Yong;JIN Depeng(Tsinghua University,Beijing 100084,China)

机构地区：[1]清华大学电子工程系,中国北京100084

出　　处：《中兴通讯技术》2021年第1期27-32,共6页ZTE Technology Journal

基　　金：国家重点研发计划(2018YFB1800804);国家自然科学基金(U1936217、61971267、61972223、61941117、61861136003);北京自然科学基金(L182038);北京国家信息科学与技术研究中心基金(20031887521);清华大学-腾讯联合实验室项目。

摘　　要：提出了一种基于图神经网络的视频推荐模型,将用户的视频观看序列型行为建模为图结构,用结点代表用户与视频,用边代表行为,引入两种类型的向量传播方法分别对用户的长期兴趣与短时兴趣进行建模。其中,通过用户结点与视频结点的双向传播刻画长期兴趣,借助视频结点切换关系的单向传播刻画短时兴趣,并通过多层向量传播实现对图上高阶邻接信息的捕捉。在一个真实世界的视频网站观看数据集上的实验表明,提出的方法与现有最佳方法相比,其推荐精准度得到了有效提升。进一步的实验表明,该方法能够有效缓解数据稀疏性的问题。A novel recommendation model with graph neural networks is proposed.Users’sequential video-watching behaviors are first constructed as a graph,which represents users and videos as nodes,and behaviors as edges.Then two kinds of embedding propagation methods are introduced for capturing users’long-term and short-term preferences,respectively.Specifically,a user-item bi-directional embedding propagation layer is used for capturing long-term preferences while an item-item embedding propagation layer for capturing short-term preferences.Moreover,the multi-layer propagation is proposed to extract high-order connectivity.Experiments on a real-world video-watching dataset verify that the proposed method can outperform the state-of-the-art methods.Further experiments demonstrate that the proposed method can effectively alleviate the data sparsity issue.

关 键 词：视频推荐系统 用户兴趣建模 图神经网络 深度学习 

分 类 号：TP391.3[自动化与计算机技术—计算机应用技术] TP183[自动化与计算机技术—计算机科学与技术]