基于关系图神经网络的社交推荐研究综述.docVIP

基于关系图神经网络的社交推荐研究综述

社交推荐系统是解决信息过载、提升用户体验的核心技术之一，其核心逻辑是利用用户之间的社交关联信息，补充传统协同过滤方法中用户-物品交互数据稀疏的缺陷。早期社交推荐多依赖矩阵分解、因子分解机等浅层模型，仅能对用户社交关系做线性或低阶非线性建模，难以捕捉社交网络中复杂的高阶关联、异质关系与动态演化特征。随着图神经网络技术的快速发展，关系图神经网络（RelationalGraphNeuralNetwork,RGNN）凭借对异质图结构的天然适配能力，成为当前社交推荐领域的主流研究方向，相关成果在电商、内容平台、在线社区等场景中已实现规模化落地。

一、社交推荐的关系建模基础与RGNN引入动因

社交推荐系统所处理的数据天然具备异质图属性：节点通常包含用户、物品两类核心实体，部分场景下还会引入标签、群组、地理位置等辅助实体；边则涵盖用户-用户社交关系（关注、好友、互动）、用户-物品交互关系（点击、购买、收藏、评分）、物品-物品关联关系（同品类、同作者、内容相似）等多种异质类型。传统图神经网络（如GCN、GAT）默认图中仅存在单一类型的边，无法区分不同关系对用户偏好的差异化影响，直接应用于社交推荐场景时会丢失大量关系语义信息。

关系图神经网络的核心创新在于引入了关系感知的信息传递机制，为不同类型的边分配独立的参数空间或注意力权重，能够在信息聚合过程中保留