计算机应用研究

作者：张馨月,高辉,

单位：电子科技大学计算机科学与工程学院,成都611731；

关键词：社交推荐,知识图谱,对比学习,邻域增强,图神经网络,

基金：四川省科技计划资助项目(2023YFG0021)；；

现有推荐模型大多聚焦于显式地构建用户和物品的联系，忽视了对图结构高阶全局特性的建模，对用户隐式兴趣的挖掘不足。因此，提出了一种基于图重构的社交知识推荐模型（social knowledge recommendation based on graph reconstruction，SKRGR），引入图重构技术将用户-物品知识图谱划分为多个子图，并利用基于关系的图注意力网络和三层图神经网络对其进行独立编码。通过实施邻域增强策略，深入挖掘用户的隐式兴趣，促进了对邻域局部特征的建模。为进一步提升节点表示的质量，提出了全局对比学习机制，统一全局交互图和局部协作图的节点表征，并运用门控融合策略控制全局与局部的信息聚合。在Ciao和Epinions社交数据集上的实验结果表明，SKRGR模型在recall指标上平均提升了8.77%，在NDCG指标上平均提升了13.40%，相较于DSL、CLDS等基线模型展现出了显著的性能优势，验证了其在捕捉用户隐式兴趣和建模全局特征方面的有效性。

来源：2024年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第12期