基于注意力表示融合的轻量图卷积网络社交推荐系统研究

《IEEE Access》：Social recommendation system based on attention mechanism representation fusion lightweight graph convolutional network

本文针对现有社交推荐模型存在多源表示融合效果差、融合特征语义紧密度低以及轻量图卷积网络无法利用社交信息等问题，提出了一种基于注意力表示融合的轻量图卷积网络模型ARF-LGN。该研究通过扩展LightGCN至社交推荐场景，采用注意力机制融合用户-项目二分图和社交网络图的表示，并设计非对称二元GCN结构，在三个真实数据集上的实验表明，该模型在Recall@20和NDCG@20指标上均优于六种先进模型，且具有适中的时空复杂度，适合实际部署。

　　

在当今信息爆炸的时代，推荐系统已成为缓解信息过载的重要工具。特别是在社交网络场景中，用户不仅与物品产生交互，还通过社交关系相互连接，形成了复杂的双重信息网络。然而，现有的社交推荐模型面临着几个关键挑战：传统的表示融合方法如拼接和加法缺乏有效的可学习参数；轻量图卷积网络LightGCN虽在普通推荐场景表现优异，却无法直接利用社交信息；而像DiffNet++这样的模型虽然采用注意力机制进行逐层融合，但来自朋友社交影响和物品兴趣的特征缺乏语义紧密度。

针对这些问题，发表在《IEEE Access》上的这项研究提出了一个创新性的解决方案——基于注意力表示融合的轻量图卷积网络ARF-LGN。该模型巧妙地将LightGCN扩展至社交推荐场景，在保持低计算成本的同时，实现了更优的推荐性能。

研究人员设计了一个基于注意力机制的表示融合模块，将来自用户-项目二分图和社交网络图的用户表示融合为统一嵌入。该模块不仅学习不同数据模态的重要性权重，还通过归一化操作防止嵌入维度随网络层数增加而扩张，确保参数学习的稳定性。此外，模型采用非对称二元图卷积网络结构，为用户-项目二分图设计K层GCN，而为社交网络图仅设计K/2层GCN，通过间隔融合它们的层间输出，提高了用户兴趣表示和社交影响表示的语义相似性。

关键技术方法包括：嵌入层使用Xavier方法初始化用户和物品嵌入；传播层采用轻量图卷积算子，在奇数层仅聚合用户-项目二分图信息，在偶数层同时融合两图信息；注意力融合模块通过可学习参数计算兴趣传播权重γ_u1^(k)和影响传播权重γ_u2^(k)；预测层通过内积计算推荐分数，采用BPR损失和Adam优化器进行训练。实验使用Last.FM、Ciao和Epinions三个真实世界数据集，包含用户-项目交互和社交关系信息。

研究结果：

模型性能方面，在三个数据集上的实验表明，ARF-LGN在Recall@20和NDCG@20指标上均优于对比模型。在Last.FM数据集上，相比LightGCN分别提升2.53%和3.55%；在Ciao数据集上，相比DiffNet++分别提升2.48%和2.70%；在Epinions数据集上，相比DiffNet++分别提升4.42%和3.93%。同时，模型具有适中的空间复杂度O((M+N)d)和时间复杂度，适合实际部署。

消融分析显示，非对称二元GCN结构和注意力融合机制都是模型成功的关键因素。在不同融合方法的对比中，注意力机制表现最佳，其次是GraphSage方法和GCN方法，平均聚合方法表现最差。这证实了学习不同用户对社交影响和个人兴趣的差异化依赖的重要性。

超参数敏感性分析表明，传播层数K在Last.FM数据集上最优值为3，在Ciao和Epinions数据集上为4。L2正则化系数λ在Last.FM和Epinions数据集上最优值为10^-4，在Ciao数据集上为10^-3。过大的K值会导致过平滑问题，过强的正则化则会阻碍模型训练。

研究结论与讨论部分强调，ARF-LGN通过非对称二元GCN结构和注意力表示融合模块，有效解决了社交推荐中的多源表示融合问题。与对称结构的DiffNet++相比，ARF-LGN在融合语义相近的特征方面更具优势——例如将用户-项目二分图中的二阶用户兴趣相关性特征与社交网络图中的一阶用户社交相关性特征相融合。

该研究的实际意义在于，注意力权重为解释用户决策模式提供了直接依据：对于社交依赖型用户，影响传播权重γ_u2^(k)始终较高；而注重个人兴趣的用户则表现出更大的兴趣传播权重γ_u1^(k)。这种可解释性不仅有助于预测用户偏好，还能量化社交影响与个人品味之间的权衡，为平台设计提供 actionable insights。

尽管在技术和性能上取得了进步，该研究在可解释性和跨领域泛化方面仍需深入探索。非对称二元GCN结构的核心逻辑——在双图中融合语义对齐的高阶特征——超越了社交推荐场景，可轻松适配电子商务、内容推荐甚至医疗保健等双关系结构共存的领域。这种设计在保持模型效率的同时捕捉领域特定的关系模式，为更广泛的实际应用奠定了基础。