面向多视图融合的用户一致性社交推荐

doi:10.3778/j.issn.1002-8331.2301-0099

摘要/摘要

摘要：针对传统社交推荐准确率不高的问题，提出一种基于多视图融合的用户一致性社交推荐模型。该社交推荐模型考虑到社交网络中用户的不一致性和单一视图信息对推荐结果的影响，使用注意力机制动态过滤出不一致的社交邻居，并结合用户-项目交互信息来学习用户特征表达；同时从知识图谱（知识图谱，KG）、用户-项目历史交互信息等多个视图学习项目在低维空间的特征表示；最后将用户和项目的特征表示进行内积操作，从而完成最终的推荐任务。为了验证推荐算法的有效性，在豆瓣和叫声两个公开的数据集上与六个基线模型进行对比实验，并采用召回率、归一化折损累计增益（标准化折现累计收益，NDCG）和精确率作为评估指标，实验结果表明，所提出的社交推荐模型的性能优于其他模型。

关键词: 社交推荐, 知识图谱, 神经网络, 注意力机制

摘要：针对传统社会推荐准确性低的问题，提出了一种基于多视图融合的使用一致性社会推荐模型。该社会推荐模型考虑了社交网络中用户的不一致性以及单视图信息对推荐结果的影响。它使用注意机制动态过滤出不一致的社交邻居，并结合用户-项目交互信息学习用户特征表达。同时，从知识图和用户-项目历史交互信息等多个视图中学习项目在低维空间中的特征表示。最后，通过内部产品操作来表示用户和项目的特征，以完成最终的推荐任务。为了验证所提推荐算法的有效性，在豆瓣和Yelp两个公共数据集上比较了六个基线模型，并以召回率、归一化折现累积增益（NDCG）和精确度作为评价指标。实验结果表明，该社会推荐模型的性能优于其他模型。

关键词： 社会推荐，知识图，神经网络，注意机制

赵文涛, 刘甜甜, 薛赛丽, 王德望. 面向多视图融合的用户一致性社交推荐[J] ●●●●。计算机工程与应用, 2024, 60(10): 156-163.

赵文涛、刘天天、薛赛丽、王德旺。多视图融合的用户一致性社会推荐[J]。计算机工程与应用，2024,60（10）：156-163。

参考文献

[1] 赵文涛, 田欢欢, 冯婷婷, 等. 融合相似度和预筛选模式的协同过滤算法[J] ●●●●。计算机科学与探索, 2023, 17(1): 217-227.
赵文堂，田和浩，冯T T，等.结合相似性度量和预过滤模式的协同过滤算法[J]。计算机科学与技术前沿杂志，2023，17（1）：217-227。
[2] 刘志伟，范志伟，王毅，等.利用反向预训练变换器增强伪前验项序列推荐[C]//第44届国际ACM SIGIR信息检索研究与开发会议论文集，2021:1608-1612。
[3] WU L，LI J W，SUN P J，等.DiffNet++：一种用于社会推荐的神经影响和利益扩散网络[J]。IEEE知识与数据工程汇刊，2020，34:4753-4766。
[4] 吴磊，孙鹏杰，洪瑞聪，等.协同神经社会推荐[J]。IEEE系统、人与控制论汇刊：系统，2021，51（1）：464-476。
[5] 唐建林，王世华，胡晓霞，等.社会维度的推荐[C]//第三十届AAAI人工智能会议论文集，2016:251-257。
[6] WU L，SUN P J，HONG R C，等.基于图卷积网络的高效社会推荐模型[J]。arXiv:1811.028152018年。
[7] 夏智星，张伟业，翁智清.基于超图注意网络的社会推荐系统[J]。计算智能与神经科学，2021:7716214。
[8] 张福泽，袁军，连德发，等.推荐系统的协同知识库嵌入[C]//第22届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2016:353-362。
[9] 黄文杰，吴建华，宋文华，等.知识图优化推荐的交叉注意融合[J]。应用智能，2022，52（9）：10297-10306。
[10] 西尔迪尼·R·B，戈德斯坦·N·J。社会影响：顺应与整合[J]。心理学年鉴，2004，55（1）：591-621。
[11] WU L，SUN P J，FU Y J，等.社会推荐的神经影响扩散模型[C]//第42届国际ACM SIGIR信息检索研究与开发会议论文集，2019:235-244。
[12] 吴庆堂，张和荣，高晓芳，等.推荐系统中多层面社会效应深层潜在表征的双图注意网络[C]//2019年万维网会议论文集，2019:2091-2102。
[13] 马赫，杨海霞，吕敏荣，等.基于概率矩阵分解的社会推荐[C]//第17届ACM信息与知识管理会议论文集，2008:931-940。
[14] 杨斌，雷毅，刘建明，等.基于信任的社会协同过滤[J]。IEEE模式分析和机器智能汇刊，2017，39（8）：1633-1647。
[15] 夏鸿斌, 刘春芹, 刘渊. 融合社交关系和标签信息的混合新闻推荐算法[J] ●●●●。计算机应用研究, 2021, 38(1): 61-64.
夏海波，刘春秋，刘毅.结合社会关系和标签信息的混合新闻推荐算法[J]。计算机应用研究，2021，38（1）：61-64。
[16] 陈平华, 廖威平.融合社交网络用户潜在因子的社会化推荐[J] ●●●●。计算机工程与应用, 2020, 56(24): 169-174.
陈佩华，廖华平。基于社交网络用户潜在因素的社交推荐[J]。计算机工程与应用，2020，56（24）：169-174。
[17] LIU C，LI L，YAO X，et al.基于知识图嵌入的推荐算法综述[C]//2019 IEEE国际计算机科学与教育信息化会议论文集，昆明，2019年8月16-19日：168-171。
[18] CHARI S，QI M，AGU N N，et al.通过知识图使研究人群可见[C]//第18届国际语义网络会议论文集，2019:53-68。
[19] 王海伟，张福泽，谢X，等.DKN:新闻推荐深度知识软件网络[C]//2018年万维网大会论文集，里昂，2018年4月23日至27日：1835-1844。
[20] 王旭，贺新恩，曹永新，等.KGAT：知识图注意力网络推荐[C]//第25届ACM SIGKDD国际知识发现与数据挖掘会议论文集，2019:950-958。
[21]王海伟，张福泽，赵明，等.知识图增强型多任务特征学习推荐[C]//2019年万维网大会论文集，2019:2000-2010。
[22]范文清，马云，李清，等.面向社会推荐的图形神经网络[C]//2019年万维网大会论文集，2019:417-426。
[23]RENDLE S，FREUDENTHALER C，GANTNER Z，et al.BPR:基于隐式反馈的贝叶斯个性化排名[C]//第25届人工智能不确定性会议论文集，2009:452-461。
[24]赵T，MCAULEY J L，KING I.利用社会关系提高协作过滤的个性化排名[C]//第23届ACM信息与知识管理国际会议论文集，2014:261-270。
[25]HE X N，DENG K，WANG X，et al.LightGCN:简化和增强图卷积网络的建议[C]//第43届国际ACM SIGIR信息检索研究与开发会议论文集，2020：639-648。