基于元路径与实体感知的图神经网络推荐方法

在图神经网络（GNNs）中，消息传递机制通过迭代聚合节点的直接邻居信息来更新节点表示，但忽略了多跳节点连接所具有的序列特性。而诸如元路径（metapaths）等序列化节点连接关系，往往蕴含着对下游任务至关重要的语义信息。具体而言，在推荐系统（Recommender Systems, RSs）中，若忽略这些序列语义，将导致协同信号的提炼不足。为此，本文提出利用协同子图（Collaborative Subgraphs, CSGs）与元路径构建元路径感知子图（metapath-aware subgraphs），以显式捕捉图结构中的序列语义。我们进一步提出一种名为元路径与实体感知图神经网络（MetaPath and Entity-Aware Graph Neural Network, PEAGNN）的模型，该模型通过多层GNN在上述子图上执行元路径感知的信息聚合。来自不同元路径的聚合信息随后通过注意力机制进行融合。最终，PEAGNN能够生成节点与子图的表示，进而用于训练多层感知机（MLP）以预测目标用户-物品对的评分。为充分利用协同子图（CSGs）的局部结构特性，我们引入了实体感知机制（entity-awareness），该机制作为节点嵌入的对比正则化项，增强模型对局部结构的敏感性。此外，PEAGNN可与主流图神经网络层（如GAT、GCN和GraphSage）无缝集成。实验评估结果表明，所提出的PEAGNN在多个推荐任务数据集上均显著优于现有基线方法。进一步的分析还表明，PEAGNN能够从给定的元路径集合中自动学习出具有实际意义的元路径组合，展现出良好的可解释性与泛化能力。