基于图神经网络的社会推荐算法研究结题报告.docVIP

基于图神经网络的社会推荐算法研究结题报告

一、研究背景与问题提出

在互联网技术高速发展的当下，推荐系统已成为信息过滤与个性化服务的核心技术之一，广泛应用于电商、社交、短视频等多个领域。传统推荐算法如协同过滤、矩阵分解等，主要依赖用户-物品的交互数据进行建模，然而这类算法存在明显的局限性。一方面，它们难以有效利用用户之间的社交关系信息，而社交关系在用户决策过程中扮演着重要角色，用户的兴趣偏好往往会受到好友、关注对象的影响；另一方面，面对数据稀疏性问题，传统算法的性能会显著下降，当新用户或新物品加入系统时，由于缺乏足够的交互数据，很难做出准确的推荐。

随着社交网络的兴起，社会推荐算法应运而生，它将用户的社交关系融入推荐过程，旨在提升推荐的准确性和多样性。但早期的社会推荐算法大多采用简单的融合策略，如将社交关系作为正则项加入传统推荐模型，未能充分挖掘社交关系的复杂结构和潜在价值。近年来，图神经网络（GraphNeuralNetworks,GNNs）凭借其强大的图结构建模能力，为社会推荐算法的发展带来了新的机遇。图神经网络能够直接对用户、物品以及它们之间的交互关系、社交关系构成的异构图进行建模，通过消息传递机制学习节点的嵌入表示，从而更精准地捕捉用户的兴趣偏好和社交影响力。

然而，当前基于图神经网络的社会推荐算法仍面临诸多挑战。首先，社交关系的异质性问题，用户之间的社交关系可能存在不