计算机应用研究

作者：彭梓航,张全贵,金海波,刘怡欣,齐玉欣,

单位：1.辽宁工程技术大学软件学院,辽宁葫芦岛125000；2.重庆文理学院数学与人工智能学院,重庆402160；

关键词：序列推荐,动态图神经网络,时间块,周期性偏好,

基金：国家自然科学基金资助项目(62173171)；重庆市教委科技项目-重点项目(KJZD-K202301309)；重庆文理学院塔基计划资助项目(R2021FRG01)；重庆文理学院塔尖计划资助项目(P2022RG08)；；

基于动态图的序列推荐是当前推荐系统领域的一个研究热点。现有方法通常基于用户-物品交互序列的每个时间戳构建动态图，基于精细时间分辨率的方法，很难解决序列中用户偶然行为引发的噪声问题，同时也难以有效捕捉用户的周期性偏好。为此，提出了一种基于时间块动态图神经网络的序列推荐方法TBDGNN（time-block-based dynamic graph neural network）。该方法首先根据用户-物品交互历史数据分布，将时间序列划分为若干个时间块。然后在每个时间块内构建动态图，以建模用户行为的时间演化。接下来，设计了一个时间块级的图神经网络框架，通过时间块划分来减少用户误操作等偶然交互的影响，并捕捉用户的周期性行为。实验表明，TBDGNN在MovieLens等数据集核心指标上显著优于DGEL基准，其中hit@10最高提升8.7%。实验结果验证了模型在动态推荐与周期性行为建模中的有效性。

来源：2025年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第8期