基于圖注意力機制優化的社交推薦算法研究

許峰

（安徽理工大學，安徽 淮南 232001）

0 引 言

面對大量的網絡用戶和信息爆炸，推薦系統至關重要，可以緩解信息過載，為用戶提供更高效，更高質量的服務。一個有效的推薦系統可以通過從大量信息中獲取用戶喜歡的內容（如電影、音樂、商品）而使用戶獲益，也可以通過降低促銷成本而使服務提供商獲益。與此同時，隨著社交媒體的發展，利用社會關系來提高推薦的效果也越來越受歡迎。在社交網絡中，有聯系的朋友之間有一種信息的流動，用戶的偏好與他/她周圍的人相似或受其影響，針對這一特點，越來越多的社交推薦算法應運而生。

目前，深度學習由于其具有高表達性和模型高保真度，顯示出了實現良好性能的強大能力。同時，包括社交網絡在內的部分信息本質上具有圖結構，而圖神經網絡（GNNs）在圖表示學習方便具有強大能力。因此推薦系統中利用GNNs 的領域正蓬勃發展。在現有的社交推薦算法中，結合深度學習與社交網絡的模型在一定能過程度上取得了不錯的效果，如Fan等在社交關系中利用提取單個用戶的非線性特征整合到用戶項目的矩陣分解中提出DeepSoR 模型進行評分預測，該模型也是深度學習結合社交關系的一個基準模型。近年來，通過在圖神經網絡的基礎上融合注意力機制來提升特征提取能力并提高推薦績效的方法取得了顯著的效果，因此越來越多的模型通過使用圖注意力機制來對社交推薦中的特征進行建模，如Fan 等人提出結合圖神經網絡和注意力機制來提取用戶、項目及社交關系等相關特征的社交推薦模型。……