陈卓，李涵，杜军威

（青岛科技大学信息科学技术学院，山东青岛 266061）

随着电子商务和社交媒体平台的快速发展，推荐系统已经成为许多企业不可或缺的工具.一个高效的推荐系统能通过准确地捕捉用户的偏好，发现用户可能感兴趣的项目，从而提高用户对平台的满意度，提高用户的保留率.

推荐系统根据用户的兴趣和项目属性来评估用户对项目的偏好.由于用户兴趣和项目特征都用压缩向量表示，因此学习用户/项目交互和其他辅助信息，如社会关系和知识图的嵌入表示，成为该邻居需解决的关键问题.

在推荐系统中，大多数信息具有图结构，而图神经网络GNN（Graph Neural Network）技术可以通过图节点之间的消息传递来捕捉图的相关性，因此GNN经常被用来生成用户/项目的嵌入表示.然而传统的基于GNN 的推荐算法，只能够处理由单一类型节点构成的规则拓扑图，而当下网络中的数据并非只由单一类型节点构成.此外，传统GNN 只融合节点的一阶邻居特征，无法获取节点在网络中的更深层结构关系.因此，当数据集稀疏，各节点均只有极少的邻居数时，基于传统GNN 的推荐算法的推荐质量下降明显.

为了解决以上的不足之处，本文将图神经网络与异质网络相结合，提出深度推荐模型H_GNN（Heterogeneous_Graph Neural Network）.本文的贡献可以总结为以下几点：

1）给出了异质信息网络的信息的多特征联合表示方法.面向用户/项目交互和用户社交两个域，利用异质信息网络中的多阶拓扑结构……