一种融合表征的农产品推荐算法

摘 要：针对农产品电商平台，产品季节性强、地域性强、用户行为多变，导致推荐效果不理想的问题，提出了一种融合表征的农产品推荐算法。首先，用长短期记忆网络和注意力网络相结合组成深度兴趣网络，以此来捕获物品的潜在特征；其次，构建用户-商品二部图；再次，利用图神经网络提取图数据的连接信息对每个节点的影响，并更新节点的嵌入式表示，以获取用户的潜在特征；最后，将两种潜在特征通过多层感知机得到待推荐农产品的购买概率，进一步提取和利用了用户行为序列中的用户深度兴趣，并将其融合深度兴趣网络进行推荐。实验结果表明：融合表征的农产品推荐算法相较于原有模型AUC指标提高9%以上，准确率和召回率提高约6%以上；相较于不考虑节点嵌入式表示的情况，AUC和准确率、召回率也均有提高。

关键词：图神经网络；深度兴趣网络；推荐系统；农产品；用户行为；二部图

DOI：10.15938/j.jhust.2024.03.003

中图分类号： TP301.6

文献标志码： A

文章编号： 1007-2683（2024）03-0020-08

An Agricultural Product Recommendation

Algorithm Based on Fusion Representation

HUANG Yinglai1， JI Yuchao1， LIU Zhenbo2

（1.College of Information and Computer Engineering， Northeast Forestry University， Harbin 150040， China；

2.Material Science and Engineering College， Northeast Forestry University， Harbin 150040， China）

Abstract：This paper proposes a kind of recommendation algorithm for agricultural commodities with fusion representation， in response to the issue of unexpected results on agricultural product e-commerce platforms due to the strong seasonality and regionality of products， as well as the variable user behaviors. Firstly， it integrates Long Short-Term Memory Networks and Attention Network to make up Deep Interest Network. This step aims to catch the potential feature of the item. Secondly， it builds up user-product bipartite graph. Then， it uses Graph Neural Network to abstract the impacts that connection information of graph data has on each node. And it also updates the embedded presentation of the node to catch the potential feature of user. Last， the two potential features are fed into a Multilayer Perceptron to get the order rate of the to-be-recommended agricultural commodities. This step combines the user′s deep interests derived from their behavior sequence with deep interest network to generate personalized recommendations. The results of experiment have shown that， compared with the previous model， the AUC target of recommendation algorithm for agricultural commodities with fusion representation has increased over 9%. Compared with the situation without taking the embedded presentation of the node into consideration， the AUC， Accuracy and Recall have all increased.

Keywords：graph neural network; deep interest network; recommendation system; agricultural commodities; user behavior; bipartite graph

0 引 言

现代电商平台普遍使用了推荐系统，推荐系统是为了解决信息过载而产生的一种信息过滤工具，通常包括收集用户信息和分析用户偏好、构建用户兴趣模型、确定推荐算法并推荐实施等部分［1］。推荐系统能提高用户的忠诚度和黏着性，同时也可以带来经济效益。在初期，推荐系统主要是对用户的喜好进行预测，并根据这些信息来决定该用户是否购买此农产品。但是，其不足之处在于，早期的农产品数量和种类都比较少，不能准确的向用户推荐适合自己的农产品。与此同时，由于农产品的季节性特点，在农产品淡季的时候，用户很少会对农产品进行搜索。因此，他们购买的可能性很小［2］。关于推荐系统，虽然在此之前，已经有不少人对其提出了各种各样的算法和应用实现方案，但是还有很多问题没有解决，譬如冷启动问题、数据稀疏问题等就是较为典型的问题，而且是普遍存在的问题［3］。

传统的个性化推荐方法主要有基于内容、基于协同过滤和混合推荐等。其中，协同过滤（collaborative filtering，CF）是在实际的电商网站中应用最为广泛的推荐技术［4-5］。Chu［6］主要对顾客是否会购买定期存款预测，将类免疫系统与协同过滤方法结合，通过实验发现，这种方法可以有效解决存在的冷启动问题，但是却没有将顾客的储蓄意愿是随时间以及经济条件而改变的这一情况考虑进去。Li等［7］针对推荐系统中的用户冷启动提出了运用决策聚合理论的算法，将现有用户的行为信息聚集成为群体决策集合，并将该群体决策集合向新的用户推送，由新的用户按照自己的喜好进行选择。Gandhi［８］提出，仅有协同过滤和内容过滤的推荐算法并不能保证推荐质量。关联规则挖掘后的推荐，支持度和置信度都有很大的提高。所以，这是一种可以实现精准推荐的技术。即使在没有足够数据的情况下，利用内容过滤和关联规则挖掘相结合的方式进行精准推荐。Yu等［9］通过对传统协同过滤算法进行改进，提出一种显隐式结合的农产品推荐方法，在传统的用户主观评分的基础上并考虑了用户浏览的时间来查询最近邻，从而得到一个新的、更高的推荐精度和更好的推荐结果。Jiang 等［10］提出一个作者主题协同过滤（author topic collaborative filtering，ATCF）的新算法，实现了面向社会媒体用户的综合性兴趣点（points of interest，POI s）推荐。Xu等［11］利用用户相似度解决冷启动问题，同时基于时间评分、逆向最大匹配中文分词和 ＴＦ－ＩＤＦ方法建立了用户在网络上的兴趣特性，并通过对该特性的分析，得到了最接近的邻域，以弥补该特性的不足，实现了对农业资源的个性化需求。Guo［12］提出了一个基于农产品的语义检索系统，通过该系统，用户可以获得与农产品有关的知识，并将该系统中已有的关于农产品的知识推荐给用户。CTR（click-through-rate），即点击率预估，是计算广告领域最重要的算法之一［13］。它是通过预测用户是否点击某样商品，来实现最大化平台收益的目的。DIN（deep interest network）［14］使用 Attention机制从用户历史行为序列信息中抽取用户的显式（隐式）兴趣信息（如评分、行为）进行建模。例如在线商品。

在已经提出的基于深度学习的模型中，它们遵循类似嵌入向量与多层感知机结合的方式。在这些方法中，大规模稀疏输入特征首先被映射到低维嵌入向量，然后以分组方式转换为固定长度的向量，最后连接在一起以馈入多层感知机以学习之间的非线性关系特征。这样，无论候选商品是什么，用户特征都被压缩成一个固定长度的表示向量，固定长度向量也就意味着不能捕获到兴趣爱好之间的动态进化性。深度兴趣网络可以解决此问题，它通过设计一个局部激活单元来自适应地从历史行为中学习用户兴趣的表示。这种表示向量随不同的商品而变化，极大地提高了模型的表达能力。但在将其应用于推荐任务时，却缺少用户和商品之间的关联信息，所以并不能有效地处理用户或商品的稀疏行为。

因此本文主要研究的是通过深度兴趣模型与图神经网络融合，以此来处理用户和商品的稀疏行为。

1 问题描述

因为农产品具有一定的季节性，所以在农产品淡季的时候，人们很少会去搜索农业产品。本文通过农产品的特殊性研究，在深度兴趣模型的基础之上进行改进。

首先，当用户在农产品电商平台中进行商品浏览时，会在一定程度上表现出了自身的兴趣偏好，用户更倾向于选择适合自己、符合自身喜好的农资产品，偏好程度越高，浏览该农产品的频率越高，并且浏览产品页面的时间越长，在推荐的过程中，用户接受推荐的可能性就越大。其次，不同的用户之间浏览或者购买的相同农资产品越多，用户之间的相似度就越高。最后，在用户访问产品的时间差中，可以看出他们对商品的兴趣差异。通常来说，在最近一段时间内，用户所访问过的农产品，对其推荐产生的影响是非常大的，而在此之前，已经浏览过或购买过的农产品，对推荐产生的影响是非常小的，这就说明，不同的农产品，对于不同的用户，其权重是不一样的。

而现有的比较流行的模型大多为多层感知机通过池化不同分组的特征获得固定长度的兴趣表示向量，然而，并非所有的历史行为对于表征用户兴趣都起着同等重要的作用。长短期记忆网络与注意力网络相结合组成的深度兴趣模型，它的输入融合了用户画像特征和历史行为，利用用户历史行为序列信息，使用Attetion机制动态构建用户兴趣Embeeding，使模型能够捕获用户兴趣。

图神经网络可以根据聚合网络中多层邻居节点对当前节点的影响，更新节点的嵌入式表示，然后用更新的嵌入式表示完成后续工作，比如：节点的分类和链接预测［15］。

本文在深度兴趣模型的基础上融合图神经网络完成混合推荐。混合推荐是指利用多个推荐模型来解决单个推荐模型可能存在的问题或者提升模型的整体推荐效果［16］。而在工业场景下，用户的点击行为除了会受用户特征影响之外，还可能受到地理位置信息、时间信息、状态信息等多种外界因素的干扰，因此混合推荐是工业界主流的推荐方案。阿里 ESSM（entireSpace multi-task model）［17］模型通过引入辅助任务预测 pCTR（post-view click-through rate）pCTCVR（post-view click-through & conversionrate）来解决传统 CTR 中的样本偏差和数据稀疏问题；DUPN（deep user perception network）［18］使用共享的4层结构来减小模型规模，并预测了 CTR 指标之外的用户价格偏好、用户达人偏好等下游任务。但是现有的传统推荐算法不能完全适用于农产品推荐，往往会造成推荐精度不高，不能很好地捕捉到用户兴趣。因此找出一种高效精准的农产品推荐方法，对于创造农产品的经济效益具有重要意义。

2 DGNN-PR算法与实现

2.1 模型架构

本文提出深度图神经网络-商品推荐算法（deep graph neural networks-preference recommenda，DGNN-PR），其结构图如图1所示。

该结构由两部分组成：①图神经网络，用来提取图数据中各个节点的嵌入式表示；②将基于深度兴趣模型得到的行为序列的表示和基于图得到的用户和商品之间关联的表示做融合，也就是融合表征，完成混合推荐。从而，预测一对用户-商品的购买概率。

2.2 节点嵌入式表示层

该网络也是用图神经网络提取节点嵌入式信息的主要方法。

2.2.1 嵌入层

推荐系统的输入数据由两部分组成，分别是用户集U={u1，u2，…，un} 和项目集I={i1，i2，…，im}，其中n是用户数量，m是项目数量，每个样本中的属性数量不相同。

将每个用户（农产品）的特征都通过Embedding映射为一个d维的嵌入向量。用户集U的嵌入向量表示为PU={eU1，eU2，…，eUf}，eUf∈d ，f为用户的特征数量；项目集I的嵌入向量表示为PI={eI1，eI2，…，eIa}，eIa∈d，a为项目的特征数量。在用户图中将特征作为节点，特征间的联系作为边，当两个特征同时出现在一个样本中时定义为这两个特征是有联系的。利用用户-商品的交互信息构建用户-商品二部图，如图2所示。该二部图的主要作用，是为了表示用户和商品之间的关联信息。比如一样农产品可以有多个分类，当两个属性同时出现在一个样本中，将定义为这两个属性是有联系的。以用户特征图为例，顶点集合为VU={eU1，eU2，…，eUf}，将用户特征作为节点构成的图表示为GU={VU，EU}，利用GNN的信息聚合和消息传递机制，学习每一个节点的向量。

2.2.2 GNN层

用户特征交互图包含了用户各个特征之间的联系，对用户特征进行交叉运算可以更好地学习用户的向量表示。将原始数据处理好之后输入到GNN层中。在 GNN 消息传递机制中邻居节点信息的聚合方法有求和、取平均和取最大值，这里采用取平均的方法来聚合邻居节点的信息，以最大限度的保留各个邻居节点对当前节点的影响。GNN 的消息传递机制表示为

x（k）i=γ（k）（x（k－1）i，fj∈N（i）φ（k）（x（k－1）i，x（k－1）j，ej，i））（1）

其中： f为一种可微的、且置换不变的函数；γ和φ均为可微分的函数，γ函数性质类似于常见的非线性激活函数。此机制相当于把一个节点的领域节点特征聚合到该节点。聚合的信息主要有两部分组成，第一部分主要是上一层中该节点自身的特征信息，第二部分是上一层中该节点和邻居节点相连边上所传递传递信息。当前节点表示为

hi=δ（W·Aggregate{ej，j∈N（i）}+b）（2）

其中：Aggregate可以为Mean、Sum、Max等函数；δ为激活函数；N（i）为节点i在图中的邻居节点集合；ej为节点i的邻居节点；W和b为权重和偏置。目的是利用 GNN 的消息传递机制学习特征之间的联系，也就是用户和产品之间的关联信息，得到用户（商品）的嵌入向量表示。利用通过GNN得到的用户（商品）的嵌入式表示与深度兴趣模型得到的行为序列的表示进行融合，这样可以有效处理用户或商品的稀疏行为。

2.3 使用深度兴趣模型推荐

深度兴趣的模型结构如图3所示。深度兴趣模型中对于不同的候选商品，

通过目标注意力机制来进行用户兴趣的表示。模型中注意力机制是计算候选物品和用户历史行为中物品的相关性权重，与候选商品具有更高相关性的行为会获得更高的激活权重并主导用户兴趣的表示。所以用户的兴趣表示矢量不再是统一的权重。即权重大小代表用户历史行为对候选商品的相关程度。计算公式如下：

Vu=f（Va）=∑Mi=1wi·Vi=∑Mi=1g（Vi，Va）·Vi（3）

其中：Vi为用户u行为序列中第i次行为物品的嵌入向量；Va为候选商品的嵌入向量；Vu为用户行为序列中所有行为物品的嵌入向量的加权和，以此表示用户兴趣；wi为Vi的权重，其含义为行为序列中的行为物品（Vi）与当前候选商品（Va）对用户表示（Vu）的贡献程度。权重wi的计算通过使用激活函数计算得出，通过Dice激活函数输出，表示为g（V，Vai）。通过这种计算方式，用户的兴趣向量Vu会随着候选商品Va的变化而变化。深度兴趣网络通过给定候选商品的历史行为来自适应地计算用户兴趣的表示向量。通过引入注意力机制，深度兴趣网络通过搜索历史行为的相关部分来关注相关的用户兴趣，并采用加权和池化来获得用户对候选商品的兴趣表示。与候选商品具有更高相关性的行为会获得更高的权重并主导用户兴趣的表示。

这样，在不同的商品中，用户兴趣的表示向量是不同的，这提高了模型在有限维度下的表达能力，使得深度兴趣模型能够更好地捕捉用户的多样化兴趣。

2.4 DGNN-PR学习过程

首先，将一对更新后的用户和活动的嵌入式表示进行衔接，再将其融合深度兴趣网络，最后输入到MLP层，利用 sigmoid函数计算这对用户和待推荐商品的购买概率。计算如下：

uicj=sigmoid（xk）（4）

其中：xk为经过k层MLP后，衔接向量的表示；uicj为DGNN-PR输出的ui和cj之间存在边的概率。

由于用户和商品的交互只存在两种情况，用户决定购买和选择不购买，因此隐式反馈的方式可以定义用户的真实选择，即如果ui选择参加cj，则yuicj为1，反之为0。yuicj表示真实情况下ui是否购买cj。为了计算yuicj和uicj的差距，使用二元交叉熵作为损失函数，如式（5）所示：

L=－∑（ui，cj）∈Y∪Y－－yuicjlogyuicj+（1－uicj）log（1－uicj）（5）

式中：Y为所有用户的真实选择；Y－为部分负交互的集合。

具体地，对于Y中每一对用户-购买的农产品，通过均匀采样的方式得到一对用户-未购买的农产品，以通过这种方法获得在训练过程中的均衡负例。本文使用Adam作为优化器，并利用反向传播误差的方法迭代更新模型中的参数。

3 实验结果及分析

3.1 实验数据集选取和参数设置

由于该方面的公共数据集较少，所以本文主要选择了从农产品平台抓取近两年的数据，这些数据是本文所有研究工作的基础，挖掘的深度越大，区域越广，能够挖掘用户的历史数据就越多，推荐效果就越好。而惠农网（https：//www.cnhnb.com/）则是专业的线上农产品批发交易市场，该数据集共有90938条数据，它们包含了用户ID、商品类别、购买月份、用户行为（如购买次数、浏览、点赞、评论数、询价数）、购买数量，如表1所示。

其中购买月份为用户最后一次购买商品的时间。从而来验证所提出方法的性能，模型参数配置如表2所示。

3.2 实验结果及评估指标

3.2.1 模型评价指标

推荐场景中常使用AUC、准确率（Precision）、召回率（Recall）、作为模型的评价指标，AUC被定义为 ROC 曲线下的面积。这是一种衡量模型预估结果与真实结果之间绝对差距的标准。AUC值越大表示模型的概率分布越合理，即模型的效果越好。

准确率是指命中的商品数量与为用户所推荐的商品数量的比率：

Precision=1N∑Nu=1|Ru∩Tu|n（6）

召回率表示命中的商品数量与被预测用户实际访问过的商品数量的比率：

Recall=1N∑Nu=1|Ru∩Tu||Tu|（7）

3.2.2 实验结果与讨论

本实验在抓取的数据集上与经典的推荐模型进行了对比，作者在惠农网农产品电商平台抓取的农产品的数据集上，将以下几种算法做对比，实验结果如表3所示。

从实验结果上可见，DGNN-PR的AUC为0.8307比于DIN提高了9%。这说明构建图神经网络对于推荐准确率的提升产生了积极影响。而Wide & Deep和Deep FM相比于DIN分别降低了5%、3%。说明了固定长度向量并不能很好的适应捕用户兴趣爱好的动态进化型NGCN的准确率和召回率分别为0.7238和0.2637，相比DIN，AUC提升了5%；GC-MC 的准确率和召回率分别为0.7016和0.2549，相比于DIN算法AUC提升了3%；DIEN算法的AUC提升了1%，而本文提出的算法AUC，与 NGCF、GC-MC、DIEN、DIN、DeepFM、BaseModel和Wide&Deep相比分别提升4%、6%、8%、9%、10%、13%和14%。具体分析会在图5中详细说明。

图4给出了8种算法在数据集上的AUC值的对比结果。由图可见，BaseModel的性能最差，因为其需要训练的参数规模大，所以不能在较少的迭代次数内达到收敛，Cheng等［19］提出的Wide&deep和Guo［20］等人提出的DeepFM两个模型都是通过池化的方式把用户行为序列变成固定长度的向量，这就导致了模型不能很好的适应用户兴趣爱好的动态进化型。数据集上DeepFM的性能优于Wide&deep，原因是Wide&deep模型结构相对简单，其本质是线性回归的学习方式。DeepFM模型实现了特征之间的交互，而这种特征之间的交互通常能够提高模型的学习能力。Zhou等［21］提出的DIN模型要优于DeepFM模型，是因为DIN可以解决固定长度向量表征多样用户兴趣不足的问题。但是却缺少用户和商品之间的关联信息，所以并不能有效地处理用户或商品的稀疏行为。Berg等［22］提出的GC-MC 和Wang等［23］提出的NGCF同为使用图神经网络进行提取节点嵌入式表达的技术，NGCF的性能明显优于GC-MC，原因是GC-MC只考虑一层邻居的影响。而且NGCF的提取节点嵌入式表示过程中，聚合操作使用了衔接的方式，使得更新后节点的嵌入式表示的维度是原嵌入式表示的维度乘以聚合层数，从而保留更多的邻居信息结果在数据集上。具体邻居层数对推荐性能的影响会在下一个实验中详细说明。

对比实验说明：相较于之前的Wide&deep、BaseModel、DeepFM、DIN、DIEN算法，DGNN-PR由于学习到了用户-商品之间的关系与用户兴趣爱好是动态进化的，能表现出更好的性能；和同样使用图神经网络提取节点嵌入式表示的GC-MC 和 NGCF 相比，DGNN-AR的AUC 和准确率和召回率都有所提升；和同样使用用户行为序列变成固定长度的向量的Wide&Deep和DeepFM模型相比AUC和准确率和召回率都有所提升。

3.3 消融实验

本小节通过消融实验来检验DGNN-PR模型的有效性。设计了3个试验进行验证：A1：去除DGNN-PR算法中的Attention单元；A2：去除DGNN-PR算法中的GNN模型；A3：去除DGNN-PR算法中的深度兴趣模型。

表4给出了DGNN-PR和3个实验的推荐性能。A1算法去掉了Attention单元，缺少了计算候选物品和用户历史行为中物品的相关性权重。A2算法相比A1明显增加了Attention单元，但是却去掉了GNN模型，缺少了用户与商品之间关联信息的学习，其性能低于DGNN-PR算法。A3算法去掉了深度兴趣模型，缺少了学习候选商品相关联的历史行为。这也说明了将基于深度兴趣模型得到的行为序列的表示和基于图得到的用户和商品之间关联的表示做融合，对模型效果的提升是有效的。

3.4 多层邻居的影响

在农产品数据集上，本文分别测试不考虑邻居（DGNN-AR-0），考虑一层DGNN-AR-1）、两层（DGNN-AR-2）、三层（DGNN-AR-3）、四层（DGNN-AR-4）邻居的情况，实验结果如表5所示。

随着邻居层数的增加，AUC和 Precision、Recall均在逐渐增加，当邻居层数为3时，都呈现为最好的测量值。这表明适当增加邻居层数能使更多邻居对节点的嵌入式表示产生影响，从而对推荐模型的学习有正向作用。当邻居层数为4时，AUC和Precision、Recall均小于邻居层数为3的情况。其原因可能是在模型学习过程中考虑的邻居层数过多，致使节点的嵌入式表达中含有大量的噪音信息，并由此导致了模型过拟合，使得在测试中出现性能下降。因此，基于用户行为序列预测的混合推荐可以在多特征推荐系统中可以充分捕捉用户信息并起到一定的辅助作用。

4 结 论

本文在经典的深度兴趣模型的基础上进行了改进，融合了图神经网络模型。提出了DGNN-PR模型，从而解决原算法对用户稀疏行为或物品稀疏行为无法处理的问题。首先，将数据集中的用户和商品形式化成图数据；然后，通过图神经网络提取图数据中每个结点的嵌入式表示；最后将需要预测的一对用户-商品的嵌入式表示输入到深度兴趣模型中，得到购买概率。实验结果表明，该模型相比于深度兴趣模型有较明显的效果提升。相比于从同类使用图神经网络提取节点嵌入式表达的算法，更适用于大规模稀疏网络；本文提出的模型对农产品推荐任务更有效果。

参 考 文 献：

［1］ 王睿，李鹏，孙名松.一种时间加权的网络结构推荐算法［J］.哈尔滨理工大学学报，2019，24（6）：104.

WANG Rui， LI Peng， SUN Mingsong. A Network Structure Recommendation Algorithm Based on Time Weighting［J］.Journal of Harbin University of Science and Technology，2019，24（6）：104.

［2］ 李建军，付佳，杨玉等.基于用户兴趣的农产品推荐技术研究［J］.计算机科学，2020，47（S1）：521.

LI Jianjun. Research on Agricultural Products Recommendation Technology Based on User Interest［J］.Computer Science，2020，47（S1）：521.

［3］ 王卫兵，张立超，徐倩.一种基于受限波尔兹曼机的推荐算法［J］.哈尔滨理工大学学报，2020，25（5）：62.

WANG Weibing，ZHANG Lichao，XU Qian. A Recommendation Algorithm Based on Restricted Boltzmann Machine［J］.Journal of Harbin University of Science and Technology， 2020，25（5）：62.

［4］ LENGYJ，L U Q，Collaborative Filtering Recom-mendation Technology Review［J］.Pattern Recognition and Arti-Ficial Intelligence，2014 （8）： 50.

［5］ MOU J J，LUO G K，XIONG Z B.Collaborative Filtering Algo-rithm Applied to the Recommendation of Attractions［J］.Soft-ware Guide，2017（11）：186.

［6］ CHU X Q.Research on Financial Product Recommendation Basedon Collaborative Filtering and Immune-like Algorithms［D］.Nan-chang：Nanchang University，2015.

［7］ LI L，TANG X J.Research on Cold Start Problem of Recommendation System Based on Decision Aggregation Model［J］.Journal of Hubei University（ Philosophy and Social Sciences），2016，43（2）：41.

［8］ GANDHI MONALI.An Enhanced Approach Towards Tourism Recommendation System with Hybrid Filtering and Association［J］. National Journal of System and Information Technology，2015（8）：1.

［9］ YU M Y，ZHI H C.Design of a Hybrid Collaborative Filtering Method Based on Agricultural Product Recommendation［J］.Automation Technology and Application，2017，36（2）：82.

［10］JIANG S H，QIAN X M，SHEN J L，et al.Travel Recommendation Via Author Topic Model Based Collaborative Filtering［J］.International Conference on Multimedia Modeling，2015：392.

［11］XU B B，WANG W S，GUO L F.Application of Improved Collaborative Filtering Algorithm in Agricultural Materials E-commerce Website［J］.Jiangsu Agricultural Sciences，2018，46（16）：197.

［12］GUO W G.The Framework of Semantic Retrieval Recommendation System Based on Agricultural Ontology［J］.Computer Knowledge and Technology，2019，15（17）：191.

［13］颜金尧，张海龙，苏毓敏.计算广告中的点击率和转化率预测研究［J］.中国传媒大学学报（自然科学版），2021，28（2）：54.

YAN Jinyao， ZHANG Hailong， SU Yumin. Recent Research on the Click-through Rate and Conversion Rateprediction in Computational Advertising［J］.Journal of Communication University of China（Science and Technology），2021，28（2）：54.

［14］ZHOU G，ZHU X，SONG C，et al.Deep Interest Network Forclick-through Rate Prediction［C］. London：Proceedings of the Twenty-fourth ACM SIGKDD International Conference on Knowledge Discovery & Data Mining， ACM，2018.

［15］HAMILTON W L， YING R， LESKOVEC J. Representationlearning on Graphs： Methods and Applications［J］. arX-iv：1709. 05584， 2017： 1.

［16］魏晓辉，孙冰怡，崔佳旭.基于图神经网络的兴趣活动推荐算法［J］.吉林大学学报（工学版），2021，51（1）：278.

WEI Xiaohui， SUN Bingyi， CUI Jiaxu， Interest Activity Recommendation Algorithm Based on Graph Neural Network［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021，51（1）：278.

［17］MA X，ZHAO L，HUANG G，et al.Entire Space Multi-task Model： An Effective Approach for Estimating Post-click Conversion Rate［C］// Ann Arbor：Proceedings of the Forty-first International ACM SIGIR Conference，2018.

［18］NI Y，OU D，LIU S，et al.Perceive Your Users in Depth：Learning Universal User Representations from Multiple Ecommerce Tasks［C］// London：Proceedings of the Twenty-fourth ACM SIGKDD International Conference， 2018.

［19］CHENG H T， KOC L， HARMSEN J， et al. Wide & Deep Learning for Recommender Systems［J］.ACM， 2016.

［20］GUO H， TANG R， YE Y， et al. Deep FM： A Factorization-Machine Based Neural Network for CTR Prediction［J］.2017.

［21］ZHOU G， SONG C， ZHU X， et al.Deep Interest Network for Click-Through Rate Prediction［J］.2017.

［22］BERG R V D， KIPF T， WELLING M. Graph Convolution-almatrix Completion［C］ ∥Proceedings of the 24th ACM SIGKDD International Conference on Knowl-edge Discovery and Data Mining， London， UK，2018.

［23］WANG X， HE X， WANG M， et al. Neural Graph Collab-orative Filtering［C］∥Proceedings of the 42nd Interna-tional ACM SIGIR Conference on Research and De-velopment InInformation Retrieval， Paris， France，2019：165.

（编辑：温泽宇）