卫鼎峰，李 梁，柴 晶

1.太原理工大学 信息与计算机学院，太原 030600

2.太原师范学院 城市与旅游学院，太原 030619

互联网的高速发展极大地便利了人们的生活，然而各种各样的信息充斥着人们的生活，但人的精力是有限的，一些杂乱的冗余信息显然并不值得关注，为此，推荐系统的应用而生让人们对感兴趣的事物更加专注。数据稀疏性问题是限制传统推荐算法性能的重要因素，社交网络的引入可以缓解了这一问题，使推荐算法更加优化。由生活经验可知，人们判断某些事物时，往往会征求他信任朋友的意见[1-2]，因此，社交朋友对产品的推荐上有很大的推动作用。大量融合社交网络的推荐实验表明，引入社交网络会改善推荐算法的性能，提高冷启动用户推荐的准确性。然而在大量的社交推荐算法中，仅仅只是对用户和其好友之间的特征向量的限制，并未对物品与其相似性物品的特征向量进行限制，阻碍了社交推荐算法的性能。

为解决上述问题，本文通过用户与物品的交互图构建物品相似性网络，在物品相似性网络上通过随机游走的方法得到物品节点序列，并将其输入到SkipGram 中得到物品的特征向量，依靠余弦相似度构建出Top-K个相似物品，从而构建物品隐性相似性网络。同时，融合隐性物品相似性网络和社交网络，利用图神经网络编码用户和物品的嵌入表示，并通过正则化迫使该物品与相似物品的特征接近，用户与社交好友的偏好接近，实现了物品相似性传播和用户的信任传播。……