基于自监督图卷积和注意力机制实现隐式反馈降噪的社交推荐.pdfVIP

第1期电子学报Vol.53No.1

2025年1月ACTAELECTRONICASINICAJan.2025

基于自监督图卷积和注意力机制实现

隐式反馈降噪的社交推荐

11，21*1，213

郭向星，周魏，杨正益，文俊浩，杨佳佳，刘蔓

（1.重庆大学大数据与软件学院，重庆400044；2.信息物理社会可信服务计算教育部重点实验室（重庆大学），重庆400044；

3.中国移动通信集团重庆有限公司，重庆401320）

摘要：基于图神经网络的社交推荐系统取得了较好的性能，然而，基于图神经网络的社交推荐模型存在以下

挑战：基于图神经网络的模型的邻域聚集操作会放大用户的隐式行为中的噪声，使得用户和物品的向量表示存在偏

差；用户物品图中的边和用户社交关系图中的边的异质性，导致基于图神经网络在两张图上学习到的用户向量表示存

在于不同的语义空间，直接融合往往得到次优的向量表示.针对上述问题，本文提出了基于自监督图卷积和注意力机

制实现隐式反馈降噪的社交推荐模型.该模型从原始的用户物品图中捕捉用户的真实兴趣，生成降噪的用户物品交

互图；提出一种新颖的用户向量融合方法，对异质的用户向量表示进行融合.在两个公开数据集上的实验结果表明，

所提出的模型在不同数据集上的推荐性能均较基线模型有显著提升.在lastfm数据集上，推荐性能提升了1.18%至

3.87%；在ciao数据集上，推荐性能提升了3.56%至7.31%.通过消融实验验证了模型各个模块的有效性.

关键词：注意力机制；隐式反馈；图卷积神经网络；自监督学习；社交推荐

基金项目：重庆市技术创新与应用发展重大项目（No.CSTB2022TIAD-STX0006）；国家自然科学基金（No，

No）

中图分类号：TP311文献标识码：A文章编号：0372-2112(2025)01-0151-12

电子学报URL:http://www.DOI:10.12263/DZXB

DenoisingImplicitFeedbackwithSelf-SupervisedGraphConvolution

NetworkandAttentionMechanismforSocialRecommendation

11,21*1,213

GUOXiang-xing,ZHOUWei,YANGZheng-yi,WENJun-hao,YANGJia-jia,LIUMan

(1.SchoolofBigDataSoftwareEngineering,ChongqingUniversity,Chongqing400044,China;

2.KeyLaboratoryofDepe