融合负采样和消息传递的GCN推荐算法

近年来，图卷积神经网络(Graph Convolutional Networks, GCN)在推荐领域有广泛的应用，LightGCN通过对传统GCN的简化，省略特征变换和非线性激活的过程，对GCN的研究提供了新思路。为了解决推荐算法负采样问题和消息传递对GCN收敛的影响，提出了SNGCN模型，改变了直接从数据中采样原始负样本的采样策略，利用正例混合和样本混合两个步骤合成硬负样本；其次，SNGCN利用约束损失逼近多层图卷积的极限。最终该模型在4个公开基准数据集上得出的实验结果表明，其Recall和NDCG两项指标均比对比的推荐算法有所提升。