基于图神经网络的社交推荐系统研究

作     者：高莉 

作者单位：华东交通大学 

学位级别：硕士

导师姓名：姜楠

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：社交推荐 图卷积神经网络 图注意力网络 注意力机制 

摘      要：随着大数据时代的发展,信息资源日益丰富,信息过载现象也愈加严重。在时代背景驱动下,推荐系统应运而生。传统推荐算法在解决数据稀疏和冷启动等问题上仍然存在不足,社交网络因其丰富的数据资源,与推荐系统结合能够有效助力提升推荐性能。因此,基于社交推荐的研究逐渐成为热点。现有的社交推荐方法尽管取得了一定的进展,但在充分利用社交网络信息方面仍然存在很大的不足。大多数模型通常仅考虑用户社交网络的局部邻域影响,或者忽视用户社会交互的异质性关联,且往往用浅层线性交互函数学习用户特征与项目特征之间的复杂交互关系,导致推荐效果并不理想。近年来,图神经网络因其卓越的图结构数据处理能力在众多研究领域取得了非凡的成绩。因此,本文将图神经网络技术与社交推荐任务结合提出两种基于图神经网络的社交推荐模型,用于预测用户对项目的兴趣偏好进而提高推荐的准确性。本文的研究内容和创新工作如下:（1）深入研究基于图神经网络的社交推荐原理本文首先对推荐系统和社交推荐的相关理论进行了基础介绍。针对传统推荐算法当前存在的不足,提出了基于图神经网络的社交推荐系统研究,并对模型构建涉及的相关技术进行概述,为后文的工作安排奠定了理论基础。（2）提出了基于邻域聚合的社交推荐模型（DAN）针对现有的社交推荐模型普遍存在的仅考虑局部邻域信息,忽略了来自社会交互的全局动态影响,从而导致无法学习用户深度特征表示的问题,本文提出了基于邻域聚合的社交推荐模型（DAN）。该模型利用图卷积神经网络模拟用户的兴趣偏好受邻域交互的动态影响,并通过聚合用户自身特征和邻域交互影响,获得用户的深度特征表示;然后利用深度神经网络多层感知机建模用户和项目特征表示之间的复杂交互,最终得到用户对项目的偏好预测。实验结果表明,DAN模型能够有效缓解传统推荐算法存在的问题,推荐性能显著提高。（3）提出了基于异质邻域交互的社交推荐模型（SAN）目前大多数社交推荐模型忽略了邻域社会交互的差异性,简单地用同质化的方式对待邻域交互影响,从而较难获得更为精准的用户特征表示。本文综合考虑社会交互的深度和强度,提出了基于异质邻域交互的社交推荐模型（SAN）。该模型利用图注意力网络学习社会交互的异质性关联,实现对不同邻域节点权重的自适应分配,并通过聚合用户自身特征和邻域交互异构影响,获得更精准的用户特征表示。实验结果表明,SAN模型能够进一步提升推荐系统性能,提高推荐结果的准确性。