图扩散社交推荐

《IEEE Transactions on Consumer Electronics》：Graph Diffusion Social Recommendation

社交推荐框架GDSR通过引入高斯噪声破坏社交网络结构并在预测时重构，有效消除噪声干扰，在三个数据集上Recall@20分别提升11.44%、9.55%和6.33%，优于基线方法。

　　

摘要：

社会推荐将社交网络整合到推荐任务中，利用社交关系来提升推荐性能并缓解数据稀疏性问题。最近，基于图的社交推荐模型通过捕捉高阶社交影响取得了良好的效果。大多数基于图的社交推荐模型直接将社交网络纳入推荐框架，并通过社交网络的同质性来影响用户偏好，为用户提供了更多选择物品的途径。尽管这些方法有效，但由于社交网络的复杂结构以及图神经网络所需的复杂计算，时间开销显著增加。更重要的是，现有研究往往忽略了现实世界中用户交互记录和社交网络中存在大量与推荐无关的噪声这一事实。随着图结构的传播，这些噪声会严重干扰推荐过程。为了解决这些挑战，我们提出了一个去噪社交推荐框架，称为图扩散社交推荐（GDSR）。从技术角度来看，GDSR主要由两部分组成：基于社交网络的去噪推荐框架和基于偏好融合的推荐去噪框架。具体而言，GDSR在训练过程中向交互图和社交网络结构中引入高斯噪声，以破坏原始结构。在预测阶段，一个参数化的神经网络迭代重建图结构，然后利用该结构对未交互的物品进行排名和预测。在三个真实世界数据集上评估了八种基线方法，GDSR模型的表现优于这些方法，在Douban-Book、Douban-Movie和Ciao数据集上的召回率分别提高了11.44%、9.55%和6.33%。综合实验确认了GDSR在推荐性能上的优越性...

显示更多

引言

随着社交媒体的发展，推荐系统在提升用户体验和过滤噪声信息方面发挥着关键作用。传统的基于协同过滤[2]的推荐系统[1]利用矩阵分解技术来学习用户和物品的特征表示[3]，这种方法已被广泛研究，但通常会受到用户-物品交互稀疏性的影响。社交推荐系统[4]、[5]引入社交网络作为辅助信息来缓解数据稀疏问题。这是由于社交同质性[6]和社交影响[7]的概念，用户倾向于与具有相同偏好的个体建立联系，这些联系弥补了用户-物品交互图的稀疏性。因此，社交推荐系统可以扩展稀疏的用户-物品交互，为用户提供更加个性化的推荐[8]、[9]。