基于图注意力网络方法的社区感知重叠社交推荐

《ACM Transactions on Knowledge Discovery from Data》：Overlapping Community-aware Social Recommendation via Graph Attention Network Method

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

社会影响力在塑造用户偏好和行为方面起着关键作用，因此社会推荐成为解决冷启动问题的有效方法。然而，现有的大多数社会推荐方法要么在个体层面建模社会影响力，要么假设社区结构不重叠，这未能反映出用户通常同时属于多个社区的事实。因此，不同社区的影响以及它们之间的跨社区互动并未得到明确建模。在本文中，我们正式研究了考虑社区重叠的社会推荐问题，即用户的偏好同时受到个人行为、社交邻居以及多个重叠社区的影响，而这些影响会根据目标物品的不同而有所差异。为了解决这个问题，我们提出了GANOC这一统一框架，它将用户偏好分解为三个互补的领域：个人、社交和社区。我们利用图注意力网络来建模社交图和社区图中的影响力传播，并设计了一种基于物品的注意力机制来选择性地聚合跨社区的影响。此外，还引入了领域注意力网络，以自适应地整合来自不同领域的偏好表示，从而进行评分预测。在三个真实世界的基准数据集上进行的广泛实验表明，GANOC的性能优于现有的先进社会推荐方法，尤其是在处理冷启动用户时，这证明了明确建模社区重叠影响的有效性。

AI总结

AI生成的总结（实验性）

此总结是使用自动化工具生成的，未经文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它的作用是补充作者提供的摘要，后者仍是文章的主要总结。完整文章仍是权威版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。