利用图注意力网络进行社交感知和推荐系统

《ACM Transactions on Recommender Systems》：Social Perception with Graph Attention Network for Recommendation

针对推荐系统中的冷启动和数据稀疏问题，提出SPGAT方法，通过融合社交感知图与协同知识图谱，利用图注意力网络聚合用户偏好特征，结合自对抗负采样优化TransD模型实现多关系映射，实验证明其性能优于现有先进方法。

　　

摘要

推荐系统旨在发现用户的潜在偏好并做出推荐。然而，它们经常面临数据稀疏性和冷启动问题等挑战。尽管知识图的引入在一定程度上解决了数据稀疏性问题，但冷启动问题仍未得到有效解决。在本文中，我们提出了一种名为“基于图注意力网络的社会感知推荐（SPGAT）”的新方法。在SPGAT中，我们利用社会感知来有效解决冷启动问题，从而提高推荐准确性。该方法采用多层图注意力网络，从协作知识图和社会感知图中聚合用户偏好特征。通过分析新用户的社交网络，可以识别出与其相关的朋友用户，然后将这些朋友用户的互动数据作为辅助信息提供给新用户进行推荐。为处理一对一和多对多关系，我们引入了TransD图嵌入模型，该模型将不同类型的关系和实体映射到不同的空间中。为了优化SPGAT，我们采用了自对抗负采样方法来实现实体和关系的嵌入并生成负样本。实验结果表明，SPGAT的性能优于几种先进的方法。