摘要：在信息爆炸的時(shí)代，推薦算法成為應(yīng)對信息過載的有效手段。近年來，圖神經(jīng)網(wǎng)絡(luò)（GNN）以其強(qiáng)大的建模能力和應(yīng)對冷啟動(dòng)的優(yōu)勢被廣泛應(yīng)用于推薦算法。本文提出了一種基于深度強(qiáng)化學(xué)習(xí)與GNN-R的聯(lián)合訓(xùn)練框架，解決GNN-R中固定層數(shù)和聚合策略的問題，通過間隔經(jīng)驗(yàn)回放和延后獎(jiǎng)勵(lì)機(jī)制，優(yōu)化了推薦模型的學(xué)習(xí)過程。在此基礎(chǔ)上，提出了自適應(yīng)優(yōu)化GNN-R聚合層數(shù)和虛擬關(guān)系數(shù)量的兩個(gè)優(yōu)化算法，改進(jìn)了VRKG4Rec模型的性能。實(shí)驗(yàn)結(jié)果表明，兩個(gè)優(yōu)化算法對比VRKG4Rec模型都有較好的性能提升。

關(guān)鍵詞：推薦算法；圖神經(jīng)網(wǎng)絡(luò)；深度強(qiáng)化學(xué)習(xí)；知識(shí)圖譜

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

在網(wǎng)絡(luò)普及率極高的互聯(lián)網(wǎng)時(shí)代，當(dāng)前社會(huì)不管是什么類型的人群，每個(gè)類型人群的每類需求都能在這個(gè)信息時(shí)代得到滿足，信息的汪洋包裹住了各類用戶。在這種數(shù)據(jù)量溢出的“倒灌”環(huán)境下，用戶與服務(wù)提供者之間出現(xiàn)了雙向選擇的不適性，有效分析出到底用戶需要什么樣的信息成了一個(gè)關(guān)鍵問題。在這樣的背景下，推薦系統(tǒng)就像在茫茫海洋中引路的指南針，它通過智能算法幫助用戶在信息的大海中導(dǎo)航，有效緩解了“信息過載”的問題。如今，推薦系統(tǒng)已經(jīng)成為電子商務(wù)、社交媒體、娛樂流媒體、新聞和廣告等領(lǐng)域中至關(guān)重要的一部分，它的存在極大地豐富了用戶的使用體驗(yàn)，推動(dòng)了個(gè)性化服務(wù)的發(fā)展。