计算机工程

作者：徐上上, 孙福振, 王绍卿, 董家玮, 吴田慧

单位：山东理工大学 计算机科学与技术学院, 山东 淄博 255049

关键词：推荐算法,社交信任关系,影响力传播,特征表示,潜在特征

基金：国家自然科学基金（61841602）；山东省自然科学基金（ZR2020MF147）。

传统基于图神经网络的社交推荐算法通过加强用户和项目特征的学习提升预测精度，但随着用户数据日益稀疏和社交关系趋于复杂，推荐质量提升缓慢。为挖掘用户和项目的潜在关联关系，提出一种结合图神经网络的异构信任推荐算法（GraphTrust）。在显式信任关系的基础上获取用户的潜在好友，根据动态影响力传播模型将图神经网络中的节点和边进行分类，通过不同类型的边在不同节点间进行影响力传播扩散，捕捉隐藏在高阶网络结构中的影响力扩散特征，并使用户和项目的潜在特征随着影响力传播过程达到平衡状态，最终将用户交互的项目特征作为辅助特征与用户特征聚合进行评分预测。在Yelp和Flickr数据集上的实验结果表明，当潜在特征维数为64时，GraphTrust算法相比于DiffNet++算法的命中率和归一化折损累计增益分别提升了13.2%、22.2%和20.4%、25.5%，在一定程度上提高了推荐过程的可解释性和预测精度，并且缓解了数据稀疏问题。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期