基于图神经网络的社会推荐方法研究.pdf

摘要

随着互联网的快速发展，信息过载的时代已经到来，推荐系统作为一种可以

有效缓解信息过载问题的基础工具，已被各大网络平台广泛应用。然而，传统的

推荐系统经常会因为数据稀疏问题和冷启动问题而导致推荐结果不准确。近年来，

随着社交网络平台的发展，用户在这些平台上建立社交关系并分享他们的偏好，

社交信息可作为辅助数据缓解推荐系统的数据稀疏问题和冷启动问题。因此，研

究基于社交信息的推荐系统是有必要的。尽管目前的社会化推荐系统已经取得了

很大的成功，但仍存在一些问题，如大多数模型没有挖掘用户和物品间的深层隐

式影响、未同时考虑用户的评分偏差和用户的潜在社会邻居等。为了解决这些问

题，本文提出了两种新颖的模型，具体研究内容如下：

（1）大部分基于图神经网络（GraphNeuralNetwork,GNN）的社会推荐方

法没有考虑到用户兴趣因素对用户的隐式影响，而且没有构建属于物品的社交邻

居（物品-物品图）。为了解决这些挑战，本文提出了基于图神经网络挖掘隐式影

响的社会推荐方法研究（EIIGNN），该方法利用用户与物品的交互信息去构建初

始用户嵌入，并利用用户建模中的隐式建模模块探索兴趣因素对用户的隐式影响。

此外，EIIGNN对物品的社交图结构（物品-物品图）进行建模，使物品可以从其

社交邻居的角度聚合信息，从而学习到更准确的物品表示。最后，本研究在两个

真实世界数据集上的大量实验结果清楚地证明了EIIGNN的有效性。

（2）大部分基于图神经网络的社会推荐方法直接将用户的评分数据作为用

户的偏好信息，而没有考虑到用户对物品的评分偏差，本文认为这会使模型得到

的评分信息不准确。此外，大多数社会推荐方法没有考虑用户在社会网络中潜在

社会邻居。为了解决这些问题，本文提出了基于图神经网络社会推荐的评分偏移

量方法研究（SORec）。该方法将用户的评分偏差视为向量，并将其融合到学习用

户和物品表征的过程中；用户的潜在社会邻居通过相似性模块和注意力网络来定

义，然后将其纳入模型设计中。SORec在两个基准数据集上进行了大量实验，以

验证所提模型的有效性。实验结果表明，与最先进的相关基线相比，本文所提出

的SORec模型有着更优越的性能。

关键词：深度学习，推荐系统，社会化，图神经网络

Abstract

WiththerapiddevelopmentoftheInternet,theeraofinformationoverloadhas

arrived,andrecommendersystems,asabasictoolthatcaneffectivelyalleviatethe

problemofinformationoverload,havebeenwidelyusedbymajoronlineplatforms.

However,traditionalrecommendersystemsoftenleadtoinaccuraterecommendation

resultsduetothedatasparsityproblemandthecoldstartproblem.Inrecentyears,with

thedevelopmentofsocialnetworkingplatformswhereusersestablishsocial

relationshipsandsharetheirpreferences,socialinformationcanbeusedasauxiliary

datatoalleviatethedatasparsityproblemandcold-startproblemofrecommender

systems.Therefore,itisnecessarytostudyrecommendersystemsbasedonsocial

information.Althoughcurrentsocialrecommendersystemshaveachieved