摘要
随着人类文明的不断进步和科学技术的突飞猛进，网络技术和大数据技术得到了迅速发展和广泛应用。商家和用户在浩如烟海的数据和信息中，如何能够快速地找到自己所需的信息，显得尤为重要。如今，在电子商务和社交媒体平台中，推荐系统的应用可以过滤掉大量不相关的消息，能够快速精准定位到用户所需的有用信息，对于用户快速寻找有用信息和缓解信息过载等方面发挥着重要作用。在现实世界中网络无处不在，代表了不同领域的对象及其关系。而传统的机器学习和较早期的深度学习都在一定程度上忽视了数据之间存在的结构——图。 为了有效解决这些问题，提高推荐的精准度，分析了问题的成因和解决途径，对融合社交关系的图神经网络进行了研究探讨，提出了图神经网络、注意力机制共同结合而形成的新型推荐系统算法。 推荐系统在推荐产品时都需要数据的支持，为解决数据匮乏问题即冷启动问题，尝试利用辅助信息——社交网络。由于冷启动用户比评分更高的用户更依赖社交网络，使用信任传播对冷启动用户的影响就变得更为重要。另外，在很多现实生活中的社交评级网络中，有很大一部分用户不表达任何评级，他们只是参与到社交网络中。因此，只使用观察到的评分是不合格的。将社会影响纳入推荐系统，以利用用户之间的交互行为和关系，辅助推荐系统向用户进行推荐。论文主要完成以下三个方面的工作。 第一、对用于社交推荐的图神经网络的社交聚合方法进行了修改，使用了图注意力网络。同时在融合用户建模方面使用深度与交叉网络，其中通过增加交叉层来增加特征之间的交互力度与记忆能力。 第二、针对社交关系，聚合来自不一致社会邻居的信息会影响图神经网络聚合有益信息以进行推荐的能力。社交不一致可以分为两种:第一种，在社交图中连接的用户之间具有完全不一致的项目。第二种，在社交图中连接的用户之间对同一个项目评价相反。为了解决社交不一致问题，对来自不一致社会邻居的信息进行了分析研究，提出了查询层和关系注意力模块结合鉴定法，来区分不同朋友的影响。 第三、为了论证模型的准确性与有效性，通过消融实验来对模型进行校验。
NETL