科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于图神经网络的社会化推荐是现有模型中性能较好的一类方法，通过挖掘图结构信息缓解数据稀疏问题。然而现有大多数模型仅考虑浅层的语义上下文信息，导致模型难以学习到高质量的用户/项目向量。为此，本文提出了一种融合语义增强的用户兴趣度预测方法。该模型通过学习用户-项目二部图中的语义关系构建语义增强的用户/物品网络，将其与社交网络送入关系感知图神经网络中进行深层上下文信息的聚合，利用多层感知机对生成的用户兴趣和物品嵌入进行拼接，最终预测用户和物品的交互得分。对Ciao和Epinions两个公开数据集进行仿真实验，实验结果显示，模型在Recall@K（召回率）和NDCG@K（归一化折损累计增益）两个方面相较于最优基线平均提升了3.55%和2.21%，从而验证在进行语义增强和上下文感知聚合后，算法的有效性得到了提升。
- 单位
