GraphDRL: GNN-based deep reinforcement learning for interactive recommendation with sparse data

doi:10.1016/j.eswa.2025.126832

GraphDRL: GNN-based deep reinforcement learning for interactive recommendation with sparse data

2025-05-01

1

PRE

AI

DOI：10.1016/j.eswa.2025.126832

原文链接

原文求助

摘要

En 中文

交互式推荐（IR）通过用户与系统之间的持续交互持续优化性能，从而更有效地捕捉用户兴趣的动态变化。由于深度强化学习（DRL）在动态优化和决策方面的优势，研究人员已将DRL模型集成到交互式推荐中。然而，交互式推荐仍面临数据稀疏性问题，且基于DRL的推荐算法在处理大规模离散动作空间时常常存在效率问题。为解决这些问题，本文提出了一种基于图神经网络的深度强化学习模型GraphDRL。具体而言，我们利用图神经网络（GNNs）获取嵌入表示，以有效建模用户与项目之间的复杂交互，缓解数据稀疏性问题。在此基础上，我们构建了一种结合时序多头注意力方法的深度强化学习模型，以捕捉用户不断演变的偏好。此外，我们提出了一种基于项目流行度和嵌入表示的动态候选动作生成方法，该方法不仅能更准确地识别用户感兴趣的项目，还能缩减动作空间，从而提升推荐准确性和效率。实验结果表明，在三个公开基准推荐数据集和一个真实采购商-供应商交互数据集上，我们的算法表现出优越的性能。

Keyword:

Graph Neural Networks

Deep Reinforcement Learning

Interactive Recommendation

Sparse data

Dynamic candidate action

GraphDRL: GNN-based deep reinforcement learning for interactive recommendation with sparse data

摘要

期刊

机构