基于模体诱导胶囊网络的社交推荐异构性建模：从显隐邻居到动态信任关系

【编辑推荐】本文提出模体诱导注意力胶囊图卷积网络(mCGCNs)，首次通过胶囊网络提取目标用户的多重潜在社交感知向量和偏好向量，突破传统方法仅关注显式邻居的局限。模型创新性融合模体网络捕捉高阶交互模式，动态量化不同推荐场景下的异构信任关系（HR@10提升9.86%-12.78%），为解决社交推荐中的数据稀疏性和噪声问题提供新范式。

　　

亮点与结论

亮点

• 首创通过胶囊网络提取目标用户的多重潜在社交感知向量和偏好向量，其信任关系强度随推荐品类动态变化

• 整合显式邻居与隐式邻居分析，利用模体网络捕捉用户间高阶交互的复杂模式

• 同时建模基于用户偏好程度和真实性的异构交互关系

结论与未来工作

本工作将胶囊网络应用于模体诱导的社交网络和用户-物品二分网络，分别提取多组潜在社交感知向量和偏好向量。通过显隐邻居的协同分析，模体网络有效捕获用户间高阶交互的复杂模式。信任关系的强度被证明具有场景依赖性——例如在耳机推荐场景中，目标用户与音频发烧友的社交连接权重会显著高于服装爱好者。未来研究可探索跨平台模体迁移学习，以及基于医学知识图谱的个性化健康推荐应用（如药物-靶点关系预测）。

作者贡献声明

Supriyo Mandal：正式分析、初稿撰写、研究设计、方法论构建

Ralf Krestel：研究指导、项目管理、论文审阅、概念化框架

利益冲突声明

作者声明不存在可能影响本研究的财务或个人利益冲突。

（注：翻译中采用"音频发烧友"等生活化表述增强可读性，保留等术语格式，省略文献引用标记[ ]）