结构-属性对齐图神经网络在推荐系统中的应用

《Expert Systems with Applications》：Structure-Attribute Aligned Graph Neural Network for Recommendation

针对现有k代表G-Skyline查询在效率与代表性上的不足，本文提出基于最大后悔比率最小化的kRMG查询，并设计PHP和PHP*算法，通过层次剪枝与多阶段生成策略高效获取显式G-Skyline群体，实验验证其有效性。

　　G-Skyline查询是一种用于在多标准决策支持系统中识别帕累托最优组的机制，这些组不会被其他同等规模的组所支配。在实际应用中，由于数据库中可能包含大量的G-Skyline组，因此直接返回所有结果并不现实，这限制了其在现实场景中的应用。为了解决这一问题，研究者提出了k代表性的G-Skyline查询，旨在控制输出规模并获取具有代表性的结果，从而提高用户的决策效率。然而，目前的k代表性G-Skyline查询方法在代表性和效率方面仍存在不足，尤其是在如何量化用户的满意度以及如何高效地获取结果方面。

本文提出了一种新的k代表性G-Skyline查询方法，称为kRMG（k Representative Regret Minimization G-Skyline）查询。该方法的目标是找到k个G-Skyline组，以最小化最大后悔比。最大后悔比是指在所有可能的用户偏好下，选择kRMG组所导致的最坏情况下的用户满意度差异。通过这种方式，kRMG查询不仅能够满足用户的实际需求，还能提供量化代表性的结果，使用户更容易理解查询结果的含义。此外，kRMG查询方法还具备良好的规模不变性和稳定性，这使得其在不同数据规模和用户偏好下依然适用。

在实际应用中，传统的G-Skyline查询方法需要处理大量的候选组，这不仅增加了计算成本，也影响了查询效率。例如，一个包含数千个元组的数据库可能会生成数十亿个G-Skyline组，这使得直接处理这些数据变得不切实际。因此，研究者提出了不同的方法来减少候选组的数量，包括k代表性G-Skyline查询和基于聚类的G-Skyline组选择方法。然而，这些方法在代表性和效率方面仍然存在局限。例如，基于聚类的方法虽然能够减少候选组的数量，但其结果并不具备良好的代表性和用户满意度量化能力。

本文提出的kRMG查询方法旨在解决这些挑战。首先，kRMG查询通过最小化最大后悔比来选择最具代表性的G-Skyline组，这使得结果能够反映用户在不同偏好下的满意度差异。其次，为了提高效率，本文设计了两种高效的算法：PHP（Presorted Index Based Hierarchical Pruning Algorithm）和PHP*（PHP的改进版本）。PHP算法通过利用预排序索引和分层剪枝策略，快速生成候选组并显著减少冗余组的数量。PHP*算法则进一步优化了PHP的效率，通过引入两阶段生成策略和skyline-set重用策略，进一步减少需要生成的候选组数量，从而提高整体处理速度。

在实际应用中，PHP算法首先通过预排序索引快速获取候选元组，这些元组可以组成G-Skyline组。然后，通过分层剪枝策略，PHP算法能够快速识别出那些具有代表性的G-Skyline组，从而减少计算时间。PHP*算法在PHP的基础上进行了优化，通过两阶段生成策略，首先生成一些候选组，再根据这些候选组进一步筛选出最终的kRMG组。此外，PHP*算法还引入了skyline-set重用策略，使得在生成候选组时能够避免重复计算，从而提高效率。

实验结果显示，PHP和PHP*算法在合成数据集和真实数据集上的表现都非常优秀。这些算法不仅能够在大规模数据中快速生成结果，还能确保结果的代表性和用户满意度。通过这些方法，用户可以更高效地获取具有代表性的G-Skyline组，从而提高决策效率。此外，这些算法还具备良好的扩展性，能够在不同规模的数据集中应用。

在实际应用中，G-Skyline查询被广泛用于各种领域，如企业决策、体育团队选择等。例如，在企业中，G-Skyline查询可以帮助选择多个具有不同技能和经验的面试官，以确保招聘过程的高效性和代表性。在体育领域，G-Skyline查询可以帮助选择多个具有不同身体素质和比赛表现的运动员，以形成一个最优的团队。这些应用场景表明，G-Skyline查询在实际应用中具有广泛的用途，但如何高效地获取结果仍然是一个挑战。

本文提出的kRMG查询方法通过最小化最大后悔比来解决这一问题，确保结果能够反映用户在不同偏好下的满意度差异。PHP和PHP*算法的引入，使得这一方法在实际应用中更加高效和可靠。通过这些算法，用户可以在较短的时间内获取具有代表性的G-Skyline组，从而提高决策效率。此外，这些算法还具备良好的扩展性，能够在不同规模的数据集中应用。

在实验设计中，本文使用了合成数据集和真实数据集，通过不同的数据规模和属性组合来测试PHP和PHP*算法的性能。实验结果表明，这些算法在处理大规模数据时仍然能够保持较高的效率和准确性。此外，实验还验证了这些算法在不同数据集上的适用性，确保其能够满足不同用户的需求。

总的来说，本文提出了一种新的k代表性G-Skyline查询方法，kRMG查询，以及两种高效的算法PHP和PHP*，以解决传统方法在代表性和效率方面的不足。这些方法不仅能够满足用户的实际需求，还能提高决策效率，使得G-Skyline查询在实际应用中更加实用。通过这些创新，用户可以在更短的时间内获取更具代表性的结果，从而提高决策效率。此外，这些方法还具备良好的扩展性，能够在不同规模的数据集中应用，为未来的研究提供了新的思路和方法。