基于图神经网络的社交推荐算法研究.pdf

湖北工业大学硕士学位论文

摘要

在信息时代，信息量呈现迅猛增长态势，每日所生成的信息量达到了惊人的

量级，可称之为海量信息产出。这种信息泛滥现象导致人们难以从浩如烟海的信

息中筛选出真正有价值的信息，从而引发了信息过载的问题。为了有效解决这一

问题，个性化推荐系统应运而生，并取得了显著的成效。该系统能够深入海量数

据中，根据用户的独特需求和偏好，精确地挖掘出重要信息，并为用户推荐他们

可能感兴趣的内容。

然而，推荐系统大多依赖用户与项目之间的交互数据进行建模，这种方式往

往会导致数据稀疏和冷启动等问题，从而影响推荐的准确率。为解决上述问题，

本文的主要工作包含以下两个方面：

（1）针对传统推荐模型仅依赖用户与项目交互导致的数据稀疏性问题，本文

给出了一种基于社交关系的图神经网络推荐方法（MMSR）。该方法通过引入用

户的社交关系，以缓解推荐系统的稀疏性问题。具体来说，本算法使用图神经网

络作为编码器，在用户-用户图和用户-项目图上进行图编码，可以有效地捕捉到用

户和用户之间、用户和项目之间的复杂关系，从而获得了精准的用户和项目嵌入

表示。此外，本文还利用了视图内和视图间的对比学习策略，通过结合推荐任务

与跨视图对比损失，从而提高了推荐的准确率。

2

（）融入社交关系的图神经网络推荐算法在一定程度上可以缓解用户与项目

交互的数据稀疏性问题，但其仍存在局限性，主要表现在对用户细粒度意图的深

入分析和对项目信息的充分利用方面的不足。为了解决这一问题，本文给出了一

种基于用户意图的图神经网络的推荐方法（MIKGR）。该方法结合了用户-用户图、

用户-项目图及项目-实体图等局部结构，同时将用户-项目-实体图作为全局结构。

通过全局与局部结构间的跨视图对比，MIKGR能够学习到更为精确的用户和项目

表示信息。特别地，在全局结构中，本方法利用项目与实体间的连接关系，深入

挖掘了用户选择项目的细粒度意图，从而为用户提供更加个性化的推荐。本方法

在两个真实数据集MovieLens-1M和Last-FM上进行了一系列的实验，证明了该算

法的有效性。

关键词：推荐算法，图神经网络，社交推荐，对比学习

I

湖北工业大学硕士学位论文

Abstract

Intheinformationage,theamountofinformationshowsarapidgrowthtrend,and

theamountofinformationgenerateddailyhasreachedanalarminglevel,whichcanbe

calledmassiveinformationoutput.Thevastinfluxofinformationhindersindividuals

fromdistinguishinggenuinevalueamidstthedeluge,leadingtothechallengeof

informationoverload.Toaddressthisefficiently,personalizedrecommendationsystems

emergedanddeliverednoteworthyoutcomes.Thesystemisabletodiveintomassive

amountsofdatatoaccuratelymineimportantinformationbasedonusersuniqueneeds

andpreferences,andrecommendcontentthatmaybeofinteresttothem.

However,recommendersystemsmostlyrelyontheinteractiondatabetweenusers

anditemsformodeling,andthisapproachoftenleadstoproblemssuchasdatasparsi