摘要随着深度学习和机器学习的发展，在推荐领域中也涌现出很多利用相关技术进行推荐的方法，这些方法往往利用用户以及商品信息实现端到端的推荐系统，提升了推荐的性能和效率。在这个过程中，更多新颖的方法被提出以解决推荐的基本难题，从而拓宽推荐系统的性能边界。其中最重要的一点就是通过引入新的数据或者新的数据处理的方法，来提升原有推荐模型的性能。同时，在自然语言处理中，知识图谱这一种数据存储形式越来越受到研究人员们的重视，许多的研究和工作都证明了在知识图谱上进行表达可以获得许多隐含的信息和内容，从而应用于下游的相关工作。本文关注图谱以及类似的图数据在推荐领域中的应用，研究图神经网络的方法来实现端到端的推荐系统，并提升推荐性能。具体来说，本文基于前人的研究成果，提出了一种图神经网络模型，结合 tucker 分解进行知识表示，实现基础的物品推荐算法。Tucker 分解是一种针对图谱，添加了关系信息的矩阵分解方法，比普通的矩阵分解能更加有效地提取图谱数据的表达。同时，图神经网络，比一般的方法更适合处理图数据这种非欧式数据，从而能更加有效地整合图上信息，最终实现了对于推荐能力的提升。 为了更加方便有效地评估模型的有效性，本文基于相关的研究成果——KGAT 所使用的公开数据集进行实验和评估，并采用同一套评价指标来说明本文研究的重要性和优越性。实验结果表明，本文所提出的模型在同样的评估标准上超越了其他几个基线模型的表现。关键词：推荐算法，图数据，图神经网络，tucker 分解iAbstractWith the development of deep learning and machine learning, there are many methods of recommendation using deep learning technology in the field of recommendation algorithm. These methods use user and item information to realize the end-to-end recommendation system, which greatly promotes the development of recommendation algorithm. In this process, more novel methods are proposed to solve the basic problem of recommendation, so as to broaden the performance boundary of recommendation system. The most important point is to improve the performance of the original recommendation model by introducing new data or new data processing methods. ...
