摘要
随着社交网络在即时通讯、社交媒体等行业的快速发展，用户通过互联网进行在线交流、信息分享，社交网络中数据量大、数据关系复杂，存在巨大的信息过载问题，社交网络推荐系统的提出能够有效缓解信息过载压力。社交网络推荐系统考虑了用户的社会关系，将用户的社交信息融合到用户商品交互推荐模型中，增强用户的特征表示，能够有效提高推荐系统的推荐性能。在现阶段研究中，基于社交网络的推荐存在未考虑用户社交信息的潜在影响或社交信息融合不充分、未考虑用户细粒度偏好等问题，挖掘到的用户商品特征信息不够深入，推荐效果准确度不高。对于以上问题，本文提出了一种基于用户偏好的图注意力推荐模型，并将用户的社交信息作为重要特征进行结合，以此提高模型的推荐性能。本文的研究工作如下： 1.针对传统推荐算法与深度学习算法未能深层次挖掘用户商品特征信息而影响推荐精度的问题，本文提出一种基于用户偏好的图注意力推荐算法，通过对用户的多个偏好特征信息分别进行提取，并添加注意力机制获取用户与商品的影响力大小，将模型输出通过深度学习模型进行预测，以此缓解推荐算法精度不高的问题，在多个数据集上对比多个基线算法进行验证，验证提出算法的有效性与准确性。 2.针对基于用户商品二分图的推荐未充分考虑用户社交信息、未能深入挖掘用户偏好与用户社交信息的相关影响问题，本文提出一种基于用户偏好的图注意力社交推荐算法，考虑与用户具有相似偏好或相同商品交互的情景，将用户的朋友特征信息与商品特征信息进行融合，考虑用户自身偏好情况并添加用户社交注意力加以区分朋友影响力。最后使用多层神经网络进行评分预测，对比多个基线算法验证模型有效性。 3.本文使用图神经网络方法进行社交推荐，通过使用多个评价指标对本文提出的社交推荐算法进行评估，验证算法的可行性与有效性。为了得出影响推荐效果的相关因素，本文对算法的一些重要参数进行对比实验，得出影响推荐性能的关键参数并分析了参数大小对算法的影响程度。本文在最后进行了全面总结，也对未来的研究方向进行了阐述。
NETL