王英博，孫永荻

1.遼寧工程技術(shù)大學(xué) 創(chuàng)新實(shí)踐學(xué)院，遼寧 阜新 123000

2.遼寧工程技術(shù)大學(xué) 軟件學(xué)院，遼寧 葫蘆島 125105

在信息爆炸的時(shí)代，推薦系統(tǒng)因其在緩解信息過載上的特殊能力受到越來越多的關(guān)注，被電子商務(wù)、在線新聞、社交媒體網(wǎng)站等眾多在線服務(wù)機(jī)構(gòu)廣泛采用[1]。推薦系統(tǒng)利用用戶和項(xiàng)目之間的交互信息來深入挖掘用戶的行為偏好，從而預(yù)測(cè)用戶的興趣偏好，并向需要該項(xiàng)目的特定用戶推薦最合適的項(xiàng)目，這類方法被稱為協(xié)同過濾[2-3]。在眾多協(xié)同過濾推薦算法中，矩陣分解（MF）[4-5]已成為最受歡迎的推薦算法之一，并引起了廣泛關(guān)注。它主要是將用戶和項(xiàng)目嵌入到一個(gè)共享的潛在空間中，將用戶和項(xiàng)目用特征潛在向量表示。之后，用戶和項(xiàng)目之間的交互被建模為其潛在特征向量的內(nèi)積。受Netflix獎(jiǎng)的影響，MF 已經(jīng)成為潛在因素模型推薦的實(shí)際方法。許多研究工作致力于改進(jìn)MF，SoRec[6]提出了一種協(xié)因子分解方法，該方法通過評(píng)分和社會(huì)關(guān)系來共享一個(gè)共同的潛在用戶特征矩陣。SocialMF[7]通過分解社會(huì)信任網(wǎng)絡(luò)，將用戶映射到兩個(gè)低維空間：信任者空間和受托者空間。近年來，深度神經(jīng)網(wǎng)絡(luò)模型對(duì)學(xué)習(xí)各個(gè)領(lǐng)域的有效特征表示產(chǎn)生了很大的影響，如語音識(shí)別、計(jì)算機(jī)視覺（Computer Vision，CV）和自然語言處理（Natural Language Processing，NLP）。最近的一些研究已經(jīng)將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于推薦任務(wù)，并取得了令人滿意的結(jié)果[8-9]，但大多數(shù)研究都使用深度神經(jīng)網(wǎng)絡(luò)來建模音樂的音頻特征，項(xiàng)目的文本描述，以及圖像的視覺內(nèi)容。此外，NeuMF[10]提出了一個(gè)神經(jīng)協(xié)作過濾框架來學(xué)習(xí)用戶和項(xiàng)目之間的非線性交互作用。DLMF[11]在評(píng)級(jí)上使用自動(dòng)編碼器來學(xué)習(xí)初始化現(xiàn)有矩陣分解的表示。提出了一種兩階段的信任感知推薦過程，利用深層神經(jīng)網(wǎng)絡(luò)對(duì)矩陣分解進(jìn)行初始化，綜合用戶的興趣和信任朋友的興趣以及基于矩陣分解的社區(qū)效應(yīng)的影響。DeepSoR[12]將用戶社會(huì)關(guān)系的神經(jīng)網(wǎng)絡(luò)集成到概率矩陣分解中，首先使用預(yù)先訓(xùn)練的節(jié)點(diǎn)嵌入技術(shù)來表示用戶，并進(jìn)一步利用k近鄰來連接用戶嵌入特征和神經(jīng)網(wǎng)絡(luò)。最近，圖神經(jīng)網(wǎng)絡(luò)（GNN）已經(jīng)被證明能夠?qū)W習(xí)圖結(jié)構(gòu)數(shù)據(jù)[13-14]。在推薦系統(tǒng)的任務(wù)中，用戶-項(xiàng)目交互包含了用戶對(duì)推薦項(xiàng)目的評(píng)價(jià)，是一種典型的圖形數(shù)據(jù)。因此，有人提出了GNN 來解決推薦問題[15-16]。sRMGCNN[17]采用GNN提取用戶和項(xiàng)目的圖嵌入，然后結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)散過程。盡管先前的工作取得了令人矚目的成功，但人們對(duì)GNN 的社會(huì)推薦關(guān)注甚少。本文提出了一種用于社會(huì)推薦的圖神經(jīng)網(wǎng)絡(luò)來填補(bǔ)這一空白。

在本文中，探討了如何利用GNN 建模學(xué)習(xí)用戶潛在特征。這項(xiàng)工作的主要貢獻(xiàn)如下：

（1）提出一種神經(jīng)網(wǎng)絡(luò)架構(gòu)來建模學(xué)習(xí)用戶潛在特征，通過用戶項(xiàng)目圖和社交網(wǎng)絡(luò)圖發(fā)現(xiàn)其內(nèi)在聯(lián)系，并集成到概率矩陣分解上形成推薦。

（2）提出一種在用戶項(xiàng)目圖中將用戶意見和項(xiàng)目交互聯(lián)系在一起的方法。

（3）在兩個(gè)真實(shí)數(shù)據(jù)集中進(jìn)行了廣泛的實(shí)驗(yàn)數(shù)據(jù)集來證明GNN與MF結(jié)合的有效性和可行性。

1 相關(guān)工作

1.1 矩陣分解

2006 年，在著名的Netflix 大賽[18]中，采用矩陣分解法處理評(píng)分預(yù)測(cè)問題的推薦算法大放異彩。與考慮用戶和項(xiàng)目之間的相似度的基于近鄰協(xié)同過濾推薦算法相比，矩陣分解推薦方法更節(jié)省內(nèi)存，更精確。與奇異值分解（SVD）類似，矩陣分解將用戶項(xiàng)目評(píng)分矩陣分解為兩個(gè)低秩矩陣的乘法，其中可以存儲(chǔ)用戶和項(xiàng)目的潛在因素。因此，矩陣分解可以發(fā)現(xiàn)具有相似內(nèi)容和隱含特征的項(xiàng)目。用戶u和項(xiàng)目i的矩陣分解推薦系統(tǒng)將分別產(chǎn)生用戶向量pu∈Rf和項(xiàng)目向量qi∈Rf，其捕捉用戶u和項(xiàng)目i之間的交互。

矩陣分解的主要難題是在因子向量中找到用戶和項(xiàng)目之間的映射。為了學(xué)習(xí)因子向量pu和qi，將評(píng)級(jí)矩陣R中的值作為訓(xùn)練數(shù)據(jù)，并分解為，其目標(biāo)函數(shù)：

其中，Iui是指示函數(shù)，有評(píng)分為1，否則為0。rui為真實(shí)評(píng)分，為預(yù)測(cè)評(píng)分。λ為防止過擬合的正則化參數(shù)。

1.2 圖神經(jīng)網(wǎng)絡(luò)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，大量的圖結(jié)構(gòu)數(shù)據(jù)已經(jīng)遍布各個(gè)領(lǐng)域。例如，微博用戶之間形成社交網(wǎng)絡(luò)，淘寶用戶與商品構(gòu)成電子商務(wù)網(wǎng)絡(luò)，生物分子網(wǎng)絡(luò)以及交通網(wǎng)絡(luò)等等[19]。與圖像、文本不同，圖結(jié)構(gòu)是復(fù)雜多變的不規(guī)則領(lǐng)域。近年來，圖形數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)技術(shù)有了長足的發(fā)展。這些深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被稱為圖神經(jīng)網(wǎng)絡(luò)（GNN）[20]，它被提出學(xué)習(xí)有意義的圖形數(shù)據(jù)表示。他們的主要思想是如何使用神經(jīng)網(wǎng)絡(luò)迭代地從局部圖鄰域聚集特征信息。同時(shí)，節(jié)點(diǎn)信息經(jīng)過轉(zhuǎn)換和聚合后可以通過圖來傳播。因此，GNN 自然地整合了節(jié)點(diǎn)信息和拓?fù)浣Y(jié)構(gòu)，并被證明在表示學(xué)習(xí)方面具有強(qiáng)大的能力。另一方面，社會(huì)推薦中的數(shù)據(jù)可以用兩個(gè)圖來表示。這兩個(gè)圖包括表示用戶之間關(guān)系的社交圖和表示用戶與項(xiàng)目之間交互的用戶項(xiàng)圖。用戶同時(shí)參與到這兩個(gè)圖中。此外，社交推薦的自然方式是將社交網(wǎng)絡(luò)信息納入用戶和項(xiàng)目潛在因素學(xué)習(xí)。學(xué)習(xí)項(xiàng)目和用戶的表征是建立推薦系統(tǒng)的關(guān)鍵。因此，鑒于GNN 的優(yōu)勢(shì)，GNN為促進(jìn)社交推薦提供了前所未有的機(jī)會(huì)。

2 本文算法

2.1 問題描述

設(shè)U={u1,u2,…,un}和V={v1,v2,…,vm}分別是用戶集和項(xiàng)目集，其中n是用戶數(shù)，m是項(xiàng)目數(shù)。假設(shè)R∈?n×m是評(píng)分矩陣，也稱為用戶項(xiàng)目圖。如果ui給vj評(píng)分，rij為評(píng)分得分，否則用0 表示從ui到vj的未知評(píng)分，即rij=0。觀察到的評(píng)分rij可以看作是用戶ui對(duì)項(xiàng)目vj的意見。設(shè)O={|rij≠0}為已知意見集合，Γ={|rij=0}為未知意見集合。設(shè)N(i)為ui直接連接的用戶集，C(i)為ui已交互的項(xiàng)集。此外，用戶之間還可以建立社交關(guān)系。用T∈Rn×n表示用戶-用戶社會(huì)關(guān)系圖，如果uj與ui有關(guān)系，則Tij=1，否則為0。在給定用戶項(xiàng)目圖R和社交圖T的情況下，目標(biāo)是預(yù)測(cè)R中缺失的評(píng)分值。用嵌入向量pi∈Rf表示用戶ui特征，用嵌入向量qj∈Rf來表示項(xiàng)目vj特征，其中f是嵌入向量的長度。

2.2 GNN_MF框架

圖1顯示了GNN_MF概率模型的整體視圖。GNN_MF的目標(biāo)是找到用戶和項(xiàng)目的潛在模型（U∈Rf×n和V∈Rf×m，其中f是維數(shù)），通過(UTV)重建評(píng)級(jí)矩陣R預(yù)測(cè)評(píng)分。其條件分布可以定義為：

圖1 GNN_MF圖形框架Fig.1 GNN_MF graphics framework

對(duì)于概率矩陣分解中的用戶潛在特征向量，有神經(jīng)圖生成的用戶潛在特征向量向量來近似，如下所示：

其中xi是用戶i的偏好信息，稍后將進(jìn)行描述。將Netu和噪聲?中的內(nèi)部權(quán)重W（權(quán)重和偏差）分別建模為方差為σW2和σU2的零均值高斯分布。因此，定義一個(gè)給定W和X的U的條件分布來建模用戶潛在模型，如下所示：

2.3 用戶潛在特征模型

圖2 用戶潛在特征模型Fig.2 User latent feature model

2.3.1 項(xiàng)目聚集

項(xiàng)目聚合的目的是通過考慮用戶ui交互過的項(xiàng)目和用戶對(duì)這些項(xiàng)目的評(píng)分意見，來學(xué)習(xí)項(xiàng)目空間用戶潛在因素具體聚合函數(shù)如下：

其中C(i)是用戶ui與之交互的項(xiàng)目集，oia是表示用戶ui和項(xiàng)目va之間的意見交互的表示向量，而αia表示歷史交互項(xiàng)目的權(quán)重，W和b是神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏差。接下來將討論如何定義意見交互向量oia和權(quán)重αia。

在用戶-項(xiàng)目交互過程中，用戶可以表達(dá)他/她的觀點(diǎn)（或評(píng)分分?jǐn)?shù)），用r表示。這些對(duì)項(xiàng)目的看法可以捕捉到用戶對(duì)項(xiàng)目的偏好，有助于對(duì)項(xiàng)目空間用戶潛在因素進(jìn)行建模。為了建立觀點(diǎn)模型，對(duì)于每一類意見r，引入一個(gè)意見嵌入向量er∈Rd，它將每個(gè)意見r表示為一個(gè)稠密向量表示。針對(duì)用戶ui與項(xiàng)目va之間的意見r交互，通過多層感知器（MLP）將意見交互表示xia建模為項(xiàng)目嵌入qa和意見嵌入er的組合。

其中⊕表示兩個(gè)向量之間的串聯(lián)操作。

將項(xiàng)目權(quán)重αia參數(shù)化為一個(gè)兩層神經(jīng)網(wǎng)絡(luò)，稱之為注意網(wǎng)絡(luò)。注意力網(wǎng)絡(luò)的輸入是交互的意見表示oia和目標(biāo)用戶ui的嵌入pi。形式上，注意力網(wǎng)絡(luò)被定義為：

最后的注意權(quán)重通過使用Softmax函數(shù)對(duì)上述注意得分進(jìn)行歸一化得到：

2.3.2 社會(huì)聚集

根據(jù)社會(huì)相關(guān)理論[6，8]，用戶的偏好與他/她直接聯(lián)系的社交朋友相似或受其影響。因此應(yīng)該結(jié)合社會(huì)信息來進(jìn)一步模擬用戶的潛在因素。同時(shí)，用戶之間的聯(lián)系強(qiáng)度可以從社交圖中進(jìn)一步影響用戶的行為。換言之，學(xué)習(xí)社會(huì)空間目標(biāo)用戶的潛在因素應(yīng)考慮社會(huì)關(guān)系的異質(zhì)性優(yōu)勢(shì)。因此，引入了一種注意機(jī)制來選擇具有代表性的社交好友來表征用戶的社交信息，并對(duì)其信息進(jìn)行聚合。

為了從這個(gè)社會(huì)化的角度來表達(dá)用戶的潛在因素，提出了社交空間用戶潛在因素，即從社交圖中聚合相鄰用戶的項(xiàng)目空間用戶潛在因素。具體而言，ui的社交空間用戶潛因子是將用戶在ui的鄰居N(i)中的項(xiàng)目空間用戶潛因子聚合起來，如下所示：

如前所述，強(qiáng)關(guān)系和弱關(guān)系在一個(gè)社交網(wǎng)絡(luò)中是混合在一起的，用戶可能會(huì)與強(qiáng)關(guān)系而不是弱關(guān)系分享更多相似的偏好。因此，用一個(gè)雙層神經(jīng)網(wǎng)絡(luò)來執(zhí)行一個(gè)注意力機(jī)制，通過將社會(huì)注意力βik與和目標(biāo)用戶嵌入pi相關(guān)聯(lián)，提取出這些對(duì)ui有重要影響的用戶，并對(duì)其關(guān)聯(lián)強(qiáng)度進(jìn)行建模，如下所示：

其中βik可以看作是用戶之間的優(yōu)勢(shì)，值越高代表其意見對(duì)目標(biāo)用戶的影響越大。

為了更好地了解用戶潛在因素，需要將項(xiàng)目空間用戶潛在因素和社會(huì)空間用戶潛在因素結(jié)合起來考慮，因?yàn)樯鐣?huì)圖和用戶項(xiàng)目圖從不同的角度提供了關(guān)于用戶的信息。通過一個(gè)標(biāo)準(zhǔn)的MLP將這兩個(gè)潛在因素結(jié)合成最終用戶潛在因素，其中項(xiàng)目空間用戶潛在因素和社交空間用戶潛在因素在輸入MLP 之前被連接起來。形式上，用戶潛在因素定義為：

2.4 優(yōu)化GNN_MF模型

為了優(yōu)化GNN 的用戶潛在模型、權(quán)重和偏差變量等變量，使用最大后驗(yàn)概率（MAP）估計(jì)如下：

對(duì)于變量ui和vj，使用坐標(biāo)上升法迭代優(yōu)化潛在變量，同時(shí)固定剩余變量：

2.5 算法步驟

輸入：用戶項(xiàng)目圖、社交網(wǎng)絡(luò)圖；

輸出：預(yù)測(cè)評(píng)分。

1.利用矩陣分解生成用戶、項(xiàng)目潛向量U、V。

2.根據(jù)公式（6），生成用戶交互意見向量。

3.根據(jù)公式（5）（9），生成項(xiàng)目空間和社會(huì)空間的用戶特征。

4.根據(jù)公式（11），輸出用戶潛在特征。

5.結(jié)合步驟1 的物品隱向量和步驟5 的用戶潛在特征向量，最后得到優(yōu)化函數(shù)，式（12）。

6.根據(jù)公式（13），更新ui和vj。

7.預(yù)測(cè)評(píng)分。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用兩個(gè)具有代表性的數(shù)據(jù)集Ciao和Epinions，它們來自于社交網(wǎng)站。每個(gè)社交網(wǎng)絡(luò)都允許用戶對(duì)項(xiàng)目進(jìn)行評(píng)分、瀏覽/撰寫評(píng)論，并將朋友添加到他們的“朋友圈”中。因此，它們提供了大量的評(píng)級(jí)信息和社會(huì)信息。評(píng)分范圍是從1到5。根據(jù){1，2，3，4，5}中的5個(gè)分?jǐn)?shù)，用5個(gè)不同的嵌入向量隨機(jī)初始化意見嵌入。這兩個(gè)數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集描述Table 1 Experimental data sets description

3.2 評(píng)價(jià)指標(biāo)

為了更加公平地對(duì)比算法性能，采用五折交叉驗(yàn)證來對(duì)推薦模型進(jìn)行訓(xùn)練與測(cè)試。把數(shù)據(jù)集中用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)平均分成5等份，在每次實(shí)驗(yàn)中，隨機(jī)選取1組作為測(cè)試集，其余4組作為訓(xùn)練集。5次實(shí)驗(yàn)確保每一組都被測(cè)試，最終實(shí)驗(yàn)結(jié)果為5次實(shí)驗(yàn)結(jié)果的平均值。

利用兩個(gè)指標(biāo)來衡量預(yù)測(cè)精度，即均方根誤差（RMSE）和平均絕對(duì)誤差（MAE），定義為：

從計(jì)算公式可以看出，MAE和RMSE越小，預(yù)測(cè)精度越高，算法越有效。

3.3 結(jié)果分析

3.3.1 參數(shù)設(shè)置

對(duì)于所有的神經(jīng)網(wǎng)絡(luò)方法，batch size 和學(xué)習(xí)率分別在[32，64，128，512]，[0.000 5，0.001，0.005，0.01，0.05，0.1]中搜索。此外，根據(jù)經(jīng)驗(yàn)將隱藏層的大小設(shè)置為嵌入大小，并將激活函數(shù)設(shè)置為ReLU。隨機(jī)初始化模型參數(shù)為高斯分布，其中平均值和標(biāo)準(zhǔn)差分別為0和0.1。

對(duì)于嵌入大小f，測(cè)試[8，16，32，64，128，256]的值。從圖3和圖4可以看出，當(dāng)為64時(shí)效果最好。

圖3 Epinions數(shù)據(jù)集下不同f 的RMSEFig.3 RMSE of different f under Epinions data set

圖4 Ciao數(shù)據(jù)集下不同f 的RMSEFig.4 RMSE of different f under Ciao data set

圖5和圖6顯示了不同的λU取值在Epinion數(shù)據(jù)集和Ciao數(shù)據(jù)集上RMSE的變化。

圖5 Epinions數(shù)據(jù)集下λU 的RMSEFig.5 RMSE of λU under Epinions data set

圖6 Ciao數(shù)據(jù)集下λU 的RMSEFig.6 RMSE of λU under Epinion data set

從圖中可以看出，RMSE 隨λU的變化呈現(xiàn)先減小后增大的趨勢(shì)。當(dāng)λU=10 時(shí)RMSE 取得最小值，性能最優(yōu)，因此將λU設(shè)置為10。

圖7和圖8分別給出了在Epinions數(shù)據(jù)集和Ciao數(shù)據(jù)集上，λV的取值對(duì)本文提出的GNN_MF算法在RMSE上的影響。

圖7 Epinion數(shù)據(jù)集下λV 的RMSEFig.7 RMSE of λV under Epinion dataset

圖8 Ciao數(shù)據(jù)集下λV 的RMSEFig.8 RMSE of λV under Ciao data set

從圖7 和圖可以看出，隨λV的增大，RMSE 呈現(xiàn)先減小后增大的趨勢(shì)，且在λV=10 的時(shí)候取得最小值。故，將λV設(shè)置為10。

對(duì)比算法的參數(shù)采用文獻(xiàn)中的配置，然后仔細(xì)地調(diào)整以達(dá)到最佳性能

3.3.2 算法性能對(duì)比

為了驗(yàn)證基于GNN_MF推薦算法的性能，將本文所提出的算法和PMF、SocislMF、NeuMF 以及DeepSoR 等經(jīng)典推薦算法進(jìn)行比較，并對(duì)得到的實(shí)驗(yàn)結(jié)果進(jìn)行分析。

PMF[7]：一個(gè)典型的潛在因子模型，它對(duì)公共子空間[18]中的用戶和項(xiàng)進(jìn)行因子分解。

SocialMF[6]：它考慮信任信息和信任信息傳播到推薦系統(tǒng)的矩陣分解模型中。

NeuMF[10]：這種方法是一種最先進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)矩陣分解模型，最初的實(shí)現(xiàn)是針對(duì)推薦排名任務(wù)，將其損失調(diào)整為損失的平方來進(jìn)行評(píng)級(jí)預(yù)測(cè)。

DeepSoR[13]：該模型利用深度神經(jīng)網(wǎng)絡(luò)從社會(huì)關(guān)系中學(xué)習(xí)每個(gè)用戶的表示，并集成到概率矩陣因子分解中進(jìn)行評(píng)級(jí)預(yù)測(cè)。

比較了各種方法的推薦性能。表2 顯示了Ciao 和Epinions數(shù)據(jù)集推薦方法中的總體評(píng)級(jí)預(yù)測(cè)誤差RMSE和MAE。

表2 不同推薦推薦算法的性能比較Table 2 Performance comparison of different recommendation algorithms

分析表2，有以下主要發(fā)現(xiàn)：

SocialMF 和DeepSoR 的表現(xiàn)總是優(yōu)于PMF。所有這些方法都是基于矩陣分解的。SocialMF和DeepSoR同時(shí)利用評(píng)級(jí)和社交網(wǎng)絡(luò)信息；而PMF只使用評(píng)級(jí)信息。這些結(jié)果支持社會(huì)網(wǎng)絡(luò)信息是對(duì)推薦的評(píng)級(jí)信息的補(bǔ)充。

NeuMF的性能比PMF好得多。兩種方法都只利用評(píng)級(jí)信息。然而，NeuMF是基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的，這表明了神經(jīng)網(wǎng)絡(luò)模型在推薦系統(tǒng)中的強(qiáng)大作用。

DeepSoR的性能優(yōu)于SocialMF。它們都利用了評(píng)級(jí)和社交網(wǎng)絡(luò)信息。然而，DeepSoR是基于神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的，這進(jìn)一步表明了神經(jīng)網(wǎng)絡(luò)模型在推薦中的作用。

本文方法GNN_MF 始終優(yōu)于所有對(duì)比方法。與DeepSoR 相比，GNN_MF 提供了先進(jìn)的模型組件來集成評(píng)級(jí)和社會(huì)網(wǎng)絡(luò)信息。此外，還提供了一種在用戶項(xiàng)圖中同時(shí)考慮交互和意見的方法。

4 結(jié)束語

本文提出了一種融合PMF 和GNN 的GNN_MF 算法。在PMF的基礎(chǔ)上，通過神經(jīng)網(wǎng)絡(luò)，在用戶項(xiàng)目圖以及社交圖中學(xué)習(xí)用戶潛在特征，將其與PMF 學(xué)習(xí)的項(xiàng)目潛在特征進(jìn)行結(jié)合，對(duì)推薦系統(tǒng)中的數(shù)據(jù)稀疏以及冷啟動(dòng)問題有很大的改善。特別提出一種在用戶項(xiàng)目圖上融合意見和交互的方法。在數(shù)據(jù)量和稀疏性均不同的Epinions和Ciao數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文算法能有效地提高推薦系統(tǒng)的性能。

目前僅將社交圖納入推薦，而現(xiàn)實(shí)世界中的許多行業(yè)都與用戶和商品相關(guān)的豐富的其他方面的信息。例如，用戶和項(xiàng)目與豐富的屬性相關(guān)聯(lián)。因此，探索具有屬性的圖神經(jīng)網(wǎng)絡(luò)推薦將是一個(gè)有趣的未來方向。除此之外，本文假設(shè)評(píng)級(jí)和社會(huì)信息都是靜態(tài)的。然而，評(píng)級(jí)和社會(huì)信息自然是動(dòng)態(tài)的，因此，在未來將考慮建立基于動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò)的社會(huì)動(dòng)態(tài)推薦。