本文是一篇高校毕业论文，笔者通过本文的研究可以发现，利用上下文信息建模上下文-用户（或项目）交互关系，从而增强用户（或项目）的表示能够提升推荐结果的准确性，因此上下文感知推荐系统将成为未来的重要研究内容。但是，由于数据集中所获取的上下文信息的丰富程度不够，将在一定程度上会限制上下文推荐系统算法的研究。近年来，自然语言处理等技术能够通过文本分析来挖掘用户的一些主观性评论文本，帮助我们获取更多关于用户的隐式上下文信息。
第 1 章 绪论
1.1 研究背景与意义
随着信息化技术的飞速发展，世界正在经历新的“网络化革命”，人们可以通过不同的方式对互联网进行访问，搜索自己所需要的信息[1,2]。同时，用户所能获取到的商品信息呈现“爆炸性”增长[3]。但是，这也为用户带来了选择难题，用户虽然能够获取到更为丰富多彩的信息内容，却很难从信息的海洋中准确又及时地获得符合自身兴趣的信息。此外，内容服务供应商也难以选取出满足用户需求的信息资源。因此，“信息过载”成为了我们急需要解决的难题[4,5]，能否有效解决这个难题将直接关系到互联网行业的发展和用户的购物体验。
为解决“信息过载”问题，“搜索引擎”、“信息检索”等技术开始被重视[6]。这类技术需要通过用户主动向搜索引擎输入关键词，然后将信息资源库中与用户需求相匹配的内容呈现给用户[7,8]。但是搜索引擎仍然存在一些问题，一是用户很难通过几个简单的关键词来描述自己需求，二是用户需求模糊、不够明确，甚至是不知道自己的需求[9]。例如当用户晚上结束工作回家后想听音乐，当他打开音乐软件后，不知道自己想听什么类型的音乐，这个时候他可能会犹豫不决，或者随手点开一首音乐，发现不喜欢后再去不断地尝试，这就需要用户花费大量的时间去做选择。但如果有一款智能的音乐软件，它能够根据用户以往的听歌偏好来为用户推荐感兴趣的音乐，或者根据用户的个人信息来判断用户感兴趣的音乐，就会大大的节省用户选择的时间，并且提高用户的体验感。个性化推荐系统的出现，满足了人们快速获取感兴趣信息的需求，成为解决“信息过载”问题的一种高效率方法 [10-13]。
与信息检索不同，个性化推荐系统可以通过挖掘用户的“隐性信息”对用户进行准确的推荐，这些“隐性信息”包括用户的一些历史行为信息、用户的个人信息等[14-19]。推荐系统既可以帮助用户找到感兴趣的信息，也可以帮助服务提供商将其生产的信息推荐给合适的用户。随着推荐系统研究的发展，学者们对于推荐算法的研究也不断深入，以此为用户提供更加准确的推荐结果。因此，推荐系统能够在多个领域发挥着很重要的作用，尤其是在电子商务领域。
1.2 研究现状
上下文感知推荐系统利用上下文信息能够进一步提高推荐效率，以此来满足用户的个性化需求。当前已有大量的国内外学者在研究这个领域，下面我们主要从传统的上下文感知推荐算法和基于深度学习的上下文感知推荐算法两个方面来进行介绍，同时也介绍了一些基于深度学习方法的推荐系统所带来的启示。
1.2.1 传统上下文感知推荐算法
上下文感知推荐算法融入了上下文环境信息，能够更加准确的建模用户的兴趣，近年来成为热门的研究内容。Adoinaviciu等人[27]介绍了三种不同的算法范式——上下文预过滤、后过滤和上下文建模范式——用于将上下文信息纳入推荐过程。下面我们将介绍这三种算法范式。
上下文预过滤范式能够通过上下文信息剔除掉与用户兴趣无关的数据。项目（物品）拆分是上下文预过滤范式的一种代表性技术。项目拆分技术一般是根据上下文信息将同一项目拆分为不同的“个性化项目（物品）”，例如，同一首歌在早上听和晚上听，可能得到同一用户的不同反馈，即早上喜欢听的歌晚上不一定喜欢听，因此根据不同的上下文信息可以将该歌曲视为两个不同的项目（物品）（早上的歌曲、下午的歌曲），以此来为用户推荐当前所处上下文环境中最喜欢的“个性化项目（物品）”。与之原理相似的还有Baltrunas等人[28]提出了用户拆分技术和Zheng等人[29]提出的用户-项目拆分技术。
上下文后过滤范式能够利用上下文信息对推荐结果进行筛选。例如，用户在“周六”想去外面的餐厅吃饭，系统便会给用户生成一个关于餐厅的推荐列表，如果已知该用户在“周六”经常吃火锅，于是就在推荐列表中筛选出火锅店，而把非火锅店过滤掉。在Panniello等人[30]的研究中通过比较线性加权法和直接过滤方法给出建议，首先，比较预过滤和非上下文过滤方法，如果非上下文情况主导了预过滤，那么可以认为好的后过滤方法比预过滤方法效果更好，否则，要么选择预过滤作为“快速”和合理的解决方案，要么尝试确定性能最佳的后过滤方法作为更昂贵但可能更好的替代方法。
第 2 章 相关概念及技术
2.1 上下文的定义
上下文是一个多方面的概念，已经在不同的研究领域进行了研究，因此，对上下文没有一个统一的定义。而本文所研究的上下文感知推荐领域中普遍将上下文定义为: 影响某种事物的条件或情况。但这种定义方式也存在一些问题，上下文的范围被扩大，也就是说，不是所有的信息都可以随意的被看作是有用的上下文信息，例如用户的年龄和性别等个人信息，以及项目的属性信息（大小、样式等），如果将所有的这些信息（用户个人信息和项目属性信息）都视为上下文，那么就很容易造成概念混淆，失去了研究上下文感知推荐系统的独特意义。
上下文感知推荐系统的前提假设是用户兴趣会受上下文环境影响。例如，用户在早上喜欢吃油条，而在晚上更喜欢吃米饭，而不喜欢吃油条，因此用户对项目的偏好是会随着上下文的变化而发生变化的。本文中对于有用上下文信息的筛选是遵从 Zheng 等人[49]对上下文的定义，即用户和项目交互时伴随的动态变化信息，主要是指动态变化的环境信息和状态信息，包括时间、地点等信息，这些信息都是动态变化的。
2.2 上下文的获取
在上下文感知推荐系统领域，上下文信息获取方式主要包括：显示获取、隐式获取和推理获取[50]。
2.2.1 显式获取
显式获取是通过物理设备感知、应用软件收集等方式来获取上下文信息。主要方式可以分为：物理设备获取、应用软件获取和通过医学脑电波研究获取。
(1) 物理设备获取
上下文感知信息通过传感器网络获取用户设备信息和用户位置信息，采用传统的广播推送方法。主要包括射频识别、温湿度传感、气体传感等物理传感装置。
(2) 应用软件获取
通过日志文件等信息管理系统软件，从交互式用户界面中获取与用户相关的上下文信息。
(3) 医学脑电波研究获取
一方面可以直接通过直接识别脑电图的特征来判断人体疲劳状态；另一方面，也可以通过小波变换技术从脑电图中提取特征数据，然后再通过分类算法来预测眼睛状态。相较于传统的分类算法，包括：K 近邻算法[51]、朴素贝叶斯算法[52]、人工神经网络[53]、线性判别分析[54]等，Ma 等人[55]通过搭建深度因子分解机模型来对眼睛状态进行分类预测，该模型结合了因子分解机的线性交互特性以及长短记忆网络的非线性交互特性，能够很大程度的提高眼睛状态的分类预测准确性。
第 3 章 基于图神经网络和上下文感知的行为预测及推荐 ................... 19
3.1 问题定义 ........................ 19
3.2 模型提出动机 .......................................... 20
3.3 模型介绍 ...................... 21
第 4 章 基于注意力交互图卷积网络的上下文感知推荐系统研究....... 35
4.1 问题定义 .................................. 35
4.2 模型提出动机 .................................... 36
4.3 模型介绍 ............................ 38
第 5 章 总结与展望 ................................ 47
5.1 全文总结 ................................................. 47
5.2 展望 ............................................. 48
第 4 章 基于注意力交互图卷积网络的上下文感知推荐系统研究
4.1 问题定义
本章将详细介绍我们提出的另一种推荐模型——注意力交互图卷积网络（Attention Interaction Graph Convolution Network，Ai-GCN）。我们构造了用户-项目的二部图结构，图中各顶点表示用户或项目，图中的每条边表示用户和项目在发生交互时所处的上下文环境。在 Ai-GCN 网络中，我们利用图卷积网络来建模上下文-用户（或项目）特征交互关系，从而优化用户和项目的嵌入向量。Ai-GCN 网络的优点是可以建模上下文-用户（项目）图中的高阶连通性，有效地将上下文和用户（或项目）间的协同信号以显式的方式注入到嵌入过程中。此外，我们还利用注意力机制显式的学习到不同上下文因素对用户的重要程度，增强了模型的可解释性。最后，我们在 Frappe 上进行了仿真实验，发现本文所创建的 Ai-GCN 整体上要优于其他基准模型。
第 3 章中，我们通过建立 CA-GNN 模型来解决推荐系统中的评分预测问题，评分预测任务主要适用于显式反馈数据集，但在真实的购物环境中，还存在另外一种情况，如果用户仅仅只是简单的点击或者浏览某一个商品，没有对商品进评价，也就无法获得显式的评分。对于这种隐式反馈数据集，需要对用户进行个性化排序推荐（TOP-N 推荐），也就是侧重于推荐 N 个和用户喜好相似的项目，而本章所建立的 Ai-GCN 模型就是来解决个性化排序问题的。下面我们首先给出上下文感知推荐问题的公式化描述，然后详细介绍 Ai-GCN 模型的动机、原理和实现细节，最后我们详细介绍了实验部分，并对 Ai-GCN 模型进行了分析。
在实际场景中，用户所处的上下文环境包含了多种不同类型的上下文信息也可称为上下文因素，比较常见的有时间和地点。用户所处的上下文环境正是由这些上下文因素所组成。本文所讨论的问题便是如何在不同上下文环境下为用户推荐感兴趣的项目。
第 5 章 总结与展望
5.1 全文总结
与传统的个性化推荐系统相比，上下文感知推荐系统融入了上下文信息，能够得到更准确地预测结果。但是当前的上下文感知推荐算法仍然存在一些不足。
一方面，当前较为先进的上下文感知推荐系统大都是将原始的多域特征字段（用户、项目和上下文）映射到共享的隐语义空间中，然后简单地将其连接到深度神经网络或其他专门设计的网络中。在这些研究中，多域特征之间进行了简单非结构化的组合，因此，其建模特征交互的方式缺乏一定的灵活性和显式性，因此无法得到准确的用户行为预测结果。
另一方面，近年来，在上下文感知推荐系统研究中通常通过将上下文和用户（或项目）映射到共享的隐语义空间中来捕获上下文对用户（或项目）的交互作用。这种方式所存在一个固有缺点是，只能学习到了上下文和用户（或项目）的交互关系，而隐藏在上下文-用户（项目）交互中的协同信号在嵌入过程中没有被学习到，从而无法获取对于用户（或项目）的准确表示。
在为了解决以上两个问题，本文利用不同的图神经网络进行建模，并且在真实的数据集上进行了大量的研究，在个性化推荐质量结果方面取得了一定的成效。本论文的研究内容包括以下两部分：
(1) 基于图神经网络和上下文感知的行为预测及推荐
我们设计了一个新的模型——上下文感知图神经网络（Context-aware Graph Neural Network, CA-GNN），CA-GNN 中采用图结构来建模上下文-用户（或项目）的特征交互关系，通过建模用户行为发掘用户在不同上下文环境中的偏好，从而对用户进行个性化的推荐。特别地，我们分别构造了上下文-用户和上下文-项目的特征交互图。我们提出利用图结构来直接表示多域特征（用户特征、项目特征和不同上下文特征），特征交互图中的每个节点表示一个域特征，不同的域特征能够通过边来进行交互，因此，建模上下文-用户（或项目）交互关系的任务可以转换为对图上的节点交互进行建模。通过以上操作，CA-GNN 模型能够准确捕获上下文与用户（或项目）间的相互影响关系，得到上下文对用户（或项目）的整体影响，进而通过内积操作可以得到评分预测结果。在 CA-GNN 网络中，我们使用注意力机制来区分不同上下文因素的重要性；其次，我们创新性的将未使用过的身体疲劳度特征作为关键的上下文特征信息输入到 CA-GNN 网络中，进一步的提高了模型的推荐准确度。实验证明，我们提出的 CA-GNN 算法在 Food 数据集和 Yelp 数据集上的效果都优于其他的方法。与之前较为先进的 AIN 模型相比，在 Food 数据集上，CA-GNN 模型在 RMSE 指标上提高了 2.2%，在 MAE 指标上，CA-GNN 比之前较为先进的 AIN 模型提高了 1.8%；在 Yelp 数据集上，CA-GNN 模型在 RMSE指标上提高了 1.4%，在 MAE 指标上提高了 1.3%。
参考文献（略）