融合用户社会关系的双线性扩散图推荐模型

摘要：

为了解决传统协同过滤算法中用户行为数据的稀疏问题,在图卷积网络的基础上,提出了一个融合用户社会关系的双线性扩散图推荐模型,并设计了双线性扩散聚合器.该聚合器由两大核心部分组成:一是用来捕捉用户-邻居交互信息的扩散聚合部分,该部分通过建模用户社交影响的动态扩散过程,从社交图的局部邻域中聚合邻居信息到目标用户节点上,以此丰富目标用户表征;二是用来捕捉邻居-邻居交互信息的双线性聚合部分,该部分通过挖掘同阶用户邻居之间潜在的社会交互,并使用内积操作突出邻居社交信息中的共有特征,将其作为目标用户的辅助信息完善用户嵌入.为了验证该模型的有效性,在Yelp和Flickr数据集上进行推荐实验,并与现有的推荐模型进行实验对照分析.实验结果显示,该模型较现有的推荐模型有更高的命中率和归一化折损累计增益.因此,融合用户社会关系的双线性扩散图推荐模型能够有效缓解用户行为数据的稀疏问题,并使得推荐准确率有了较大提升.

关键词：社会化推荐、双线性网络、图卷积网络、特征融合

所属期刊栏目：17

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金61902040

在线出版日期：2023-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：826-836