【GCN-RS】多行为推荐：Multi-behavior Recommendation with Graph Convolutional Networks (SIGIR‘20)

最新推荐文章于 2025-07-24 10:21:08 发布

原创

最新推荐文章于 2025-07-24 10:21:08 发布 · 2.4k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习 #算法

该博客介绍了MBGCN（Multi-behavior Recommendation with Graph Convolutional Networks）在SIGIR'20上的应用，用于处理多交互行为场景，如收藏、加购和购买。MBGCN通过用户和物品嵌入传播、物品相关性感知的物品-物品传播以及联合预测等步骤，考虑不同行为对用户和物品的影响。模型最终通过两种协同过滤评分方法结合BPR损失进行训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Multi-behavior Recommendation with Graph Convolutional Networks (SIGIR’20)

场景是多交互行为场景，用户和物品的交互可能包括收藏、加购、点击、购买等，这是一个异质图

文章提出MBGCN，主要分为四个部分：

User Embedding Propagation

用户embedding由不同行为对用户的影响决定，不同行为重要性和稀疏性不同，所以先算不同行为对用户的响应权重：
$\alpha_{u t}=\frac{w_{t} \cdot n_{u t}}{\sum_{m \in N_{r}} w_{m} \cdot n_{u m}}$
其中 $w_t$ 行为重要性，文章中是可训练参数，我觉得可以根据业务指定。 $N_{r}$ 是行为种类数。然后利用这个权重融合交互物品的embedding：
$\begin{array}{c} p_{u, t}^{l}=\operatorname{aggregate}\left(q_{i}^{l} \mid i \in N_{t}(u)\right) \\ p_{u}^{l+1}=W^{(l)} \cdot\left(\sum_{t \in N_{r}} \alpha_{u t} p_{u, t}^{l}\right) \end{array}$