基于高阶节点信息融合的社会化推荐方法研究.pdfVIP

基于高阶节点信息融合的社会化推荐方法研究

摘要

随着电子商务和社交媒体平台的快速发展，推荐系统已经成为许多领域不可取代

的工具。用户使用推荐系统来缓解信息过于繁杂的问题，从浩瀚的物品海洋中探索他

们感兴趣的东西；而商家借助推荐系统，让自己的商品精准的找到对标用户。为了实

现这一目标，能否从用户的历史互动(例如，点击、观看、阅读和购买)中准确地建模用

户的偏好是推荐系统的关键。为了对用户偏好进行更精准的建模，社会化推荐方法通

过引入用户社交信息，以实现更精准的推荐系统。然而现有的社会化推荐系统还存在

一些棘手的问题，针对这些问题，本文做出以下改进。

首先，由于个人隐私、商业机密，推荐系统的数据集往往十分稀疏，部分用户的

个人信息，甚至项目交互记录都较少，对于这部分用户偏好的建模成为了困难。针对

数据稀疏性的问题，本文采用了建立协同用户网络图的方法，将稀疏的用户-物品网络

与用户社交网络进行压缩，丰富交互数据稀疏的用户的相关信息。

其次，现有的社会化推荐系统往往对用户社交图中的信息利用不够充分，没有对

高阶邻居节点的信息进行聚合。本文根据用户之间的社交关系及兴趣相似度构建边以

及静态边权重，基于边权重在稠密的协同用户网络图上随机游走，实现对协同用户网

络图中高阶邻居的采样。在获得了目标用户相关的用户集合后，通过图神经网络对采

样集合中的节点进行聚合传播，以此完成对目标节点的建模。

最后，在引入各种基于兴趣的、基于社交关系的、或高阶或低阶的复杂邻居节点

集合后，其中将同时包含着有价值的节点信息和与目标节点毫不相干的噪音，需要进

一步去除邻居集合中的噪音。本文进一步引入多头注意力机制，通过多头注意力机制

优秀的表现能力和鲁棒性，在学习到邻居节点与目标节点的关系的同时，去除集合中

的噪音。本文在Ciao和Epinions数据集上对模型的性能进行了验证，并将模型与现有

的社会化推荐方法进行了比较。

关键词：社会化推荐；协同用户网络；随机游走；图神经网络；多头注意力机制

基于高阶节点信息融合的社会化推荐方法研究

Abstract

Withtherapiddevelopmentofe-commerceandsocialmediaplatforms,recommendation

systemhasbecomeanirreplaceabletoolinmanyfields.Usersuserecommendationsystemsto

easetheproblemofexcessiveinformationandexplorewhattheyareinterestedinfromthevast

oceanofitems;Withthehelpoftherecommendationsystem,themerchantscanaccuratelyfind

thetargetusersfortheirproducts.Toachievethisgoal,theabilitytoaccuratelymodelausers

preferencesfromtheirhistoricalinteractions(forexample,clicking,watching,reading,and

buying)iskeytoaneffectiverecommendationsystem.Inordertomodeluserspreferences

moreaccurately,socialrecommendationmethodstrytointroduceuserssocialinformationto

achieveamoreaccuraterecommendationsystem.However,someexistingsocial

recommendationsystemsstillhavesomethornyproblems.Inviewof