基于多分量图卷积的社交推荐算法研究
摘
要
随着信息化的发展，数据量的不断增多，信息过载问题的出现，如何有效且高效的
利用所获取的各种数据成为近年的研究重点。推荐系统作为信息过载问题的重要解决方
法，在近年有了较多的研究与进展。
用户在进行项目选择阶段有时会受到社交好友的影响，推荐平台上好友信息的引入
使得利用社交好友数据进行推荐受到关注，由于用户的好友信息属于典型的非欧式数据，
常常使用图神经网络技术进行社交好友图信息的提取。目前的社交推荐算法存在着一些
问题：在进行用户-项目特征提取时只使用单一的用户特征，对于用户项目部分和社交好
友部分的高阶信息不能充分融合建模，社交好友信息较为稀疏。为进一步研究图神经网
络与社交推荐系统的结合问题，本文提出模型MCGC4SoRe，完成以下工作：
（1）现有的社交推荐模型通常只对用户-项目交互数据二部图进行直接分解与学习
特征，而用户在进行项目选择时，背后的潜在购买动机往往无法用单一的用户或者项目
向量进行表示。基于此，提出在社交推荐模型中以多分量图卷积的方式进行潜在偏好的
分解与重新组合，以获取用户细粒度的偏好，充分提取用户与项目的特征信息。并将其
与用户社交好友信息在一个异质图内进行高阶联立融合，通过模型训练后得到更好的推
荐效果。
（2）用户社交好友信息常常面临着数据稀疏的问题，针对此，在进行用户好友信息
提取时，通过用户-项目评分向量相似度比较的方式，并结合用户好友的全局社交关系，
挖掘用户的隐藏联系好友作为直接社交关系图的补充。模型在添加用户的隐藏联系好友
信息后，推荐性能有了进一步提升。
关键词：推荐算法；图神经网络；多分量图卷积；社交关系
基于多分量图卷积的社交推荐算法研究
Abstract
With
the
development
of
information
technology
and
the
continuous
increase
in
data
volume,
the
problem
of
information
overload
has
emerged.
How
to
effectively
and
efficiently
use
various
data
obtained
has
become
a
research
focus
in
recent
years.
As
an
important
solution
to
the
problem
of
information
overload,
recommendation
systems
have
made
significant
progress
in
research
in
recent
years.
During
the
project
selection
stage,
users
are
sometimes
influenced
by
their
social
friends.
The
introduction
of
friend
information
on
recommendation
platforms
has
attracted
attention
to
the
use
of
social
friend
data
for
recommendations.
Since
users
friend
information
is
a
typical
non-Euclidean
data,
graph
neural
network
technology
is
often
used
to
extract
social
friend
graph
information.
However,
current
social
recommendation
algorithms
have
some
issues:
they
only
use
a
single
user
feature
for
user-project
feature
extraction,
and
they
cannot
fully
integrate
and
model
high-order
informat