科研之友
微信
新浪微博
Facebook
分享链接
摘要
协同过滤推荐系统普遍面临交互数据稀疏，社会化推荐通过引入用户社交信息来缓解数据稀疏问题。现有社会化推荐方法主要关注好友关系，即用户间形成的直接社交关系，但社交数据的稀疏性限制了该类方法的性能表现。由用户加入兴趣小组所形成的群组关系数量繁多且富有价值，然而目前较少有研究关注这种关系，仅有的方法多采用矩阵分解等传统方法建模，对用户协同兴趣和社交影响的表达不够深入。为提升推荐质量，进一步研究群组关系，从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用，并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系，分别设计出以间接和直接方式利用群组关系的推荐方法 IGRec-Trans和IGRec-Direc，探索更合理的群组关系融合方式。在真实数据集上的实验结果表明，所提方法能有效提升推荐性能，相比最优基准方法DiffNet++，在HR@10和NDCG@10指标上最高可提升4.55%和3.98%，在冷启动用户推荐任务上NDCG@10指标最高可提升18.6%。
- 单位
