卓佳宁,雷景生,周雪雪

(上海电力大学 计算机科学与技术学院,上海 200090)

这是一个信息爆炸的时代,大数据这把双刃剑在为我们带来丰富的知识讯息的同时,也产生了不少“数据泡沫”,用户常常被这些无效信息包围,无从下手,而用户真正感兴趣的信息被阻绝在外.为了解决这一问题,推荐系统应运而生,旨在为每个特定用户从海量数据中筛选出其各自感兴趣的内容并推荐给用户.推荐系统的关键之一在于对用户兴趣以及物品特征的建模表示,从而能够进一步通过评分模型对用户、物品预测相关程度,并以此为依据进行推荐.另一方面,社交网络中好友、大V 等社交关系也可能会影响用户的潜在兴趣,社交网络也越来越多地被结合到推荐系统中来[1-3],在推荐时利用通过社交网络的传播的信息,提高了推荐的针对性与有效性.

基于图神经网络(GNNs)的推荐算法[4,5]是推荐系统应用的热门算法之一.GNN 在图结构拓扑上应用深度神经网络的技术对局部图的邻域信息进行迭代,使得信息能够在非结构化的节点关系中进行交互计算,最终得到各个节点在图拓扑结构下的特征域表示.社交推荐本质上是在非规则的用户-物品关系、用户-用户关系中聚合并表示各个节点的本征信息与交互关系,因此GNN 在社交推荐中得到了广泛的应用[6,7].

图神经网络通常描述的是静态拓扑关系,一方面,节点之间的连接关系不会随时间发生改变.对于推荐……