王永貴，時啟文

結合異構關系增強圖神經網絡的社交推薦

王永貴，時啟文*

（遼寧工程技術大學 電子與信息工程學院，遼寧 葫蘆島 125105）（ ? 通信作者電子郵箱1942705048@qq.com）

社交推薦旨在利用用戶的社會屬性推薦潛在的感興趣項目，有效緩解了數據稀疏性和冷啟動問題。然而現有的社交推薦算法主要面向單一社交關系進行研究，社會屬性難以充分參與計算，存在未能合理利用社會異構關系和節(jié)點特征表示質量不高的問題，為此提出一種結合異構關系增強圖神經網絡的社交推薦模型（HR-GNN）。HR?GNN利用圖卷積網絡（GCN）聚合用戶和項目節(jié)點信息，生成查詢嵌入以查詢節(jié)點信息；通過將抽樣概率與鄰居節(jié)點之間的一致性分數相結合的鄰居抽樣策略挖掘社會異構關系；用自注意力機制聚合節(jié)點信息以提高用戶和項目特征表示的質量。在兩個真實數據集上進行的實驗結果表明，所提算法在平均絕對誤差（MAE）和均方根誤差（RMSE）兩個指標上相較于基準算法均有明顯改進，在Ciao數據集上它們分別至少降低了1.80%和1.35%，在Epinions數據集上則分別至少降低了2.80%和3.18%，驗證了HR-GNN的有效性。

社交推薦；圖卷積網絡；鄰居抽樣；注意力機制；網絡嵌入

0 引言

推薦系統(tǒng)旨在為目標用戶推薦潛在的感興趣項目，可以帶來巨大的商業(yè)利益。然而，由于數據量大、信息復雜等原因造成收集數據的成本過高，且用戶和項目有效交互數據稀疏，推薦性能并不理想。為提高推薦的精度，許多模型利用社交網絡來合并更多有用的信息，比如，把用戶的好友或信任等關系［1］作為輔助信息與用戶-項目交互相融合，以提高推薦性能并解決冷啟動和數據稀疏性問題，這被定義為社交推薦。

如今，許多平臺將項目推薦和社交網絡服務（Social Network Service， SNS）集成在一起，這些平臺上的用戶可以單擊項目或對項目進行評分以及與朋友互動。因此，研究社交網絡以提高推薦質量的問題得到了廣泛關注。目前，推薦系統(tǒng)融合社交信息的核心挑戰(zhàn)是：如何將用戶-用戶交互關系結合到協(xié)同過濾場景中，并在用戶和項目之間進行交互式學習。傳統(tǒng)的社交推薦方法在利用用戶的社交信息對矩陣分解框架進行正則化方面取得了重要進展［2］，它通過分析用戶和項目的互動關系，把用戶-項目評分矩陣分解成兩個低秩矩陣，得出用戶偏好并完成推薦，但并沒有較好地解決數據稀疏性問題。隨著深度學習技術的興起，探索圖神經網絡（Graph Neural Network， GNN）［3-6］結構以增強信息利用的推薦模型得到廣泛研究，它將用戶-用戶社交關系和用戶-項目評分數據用圖結構來表示以挖掘用戶和項目交互關系。

圖1　異構關系交互示意圖

本文的主要工作如下：

1）分析用戶和項目的多樣性，利用圖卷積網絡（Graph Convolutional Network， GCN）聚合用戶和項目的節(jié)點信息，學習用戶和項目表征，以構造查詢嵌入模塊查詢關系一致性鄰居節(jié)點。

2）采用鄰居抽樣策略選擇用戶和項目的一致性鄰居節(jié)點來挖掘社會異構關系，并通過自注意力（self-attention）機制聚合上下文關系一致的信息加強節(jié)點特征表示。

3）在兩個真實數據集上進行實驗，結果表明，HR-GNN優(yōu)于基準方法，驗證了HR-GNN模型的有效性。

1 相關工作

1.1　基于深度學習的社交推薦模型

隨著深度學習技術的興起，開發(fā)基于神經網絡的社交推薦得到廣泛關注。將深度學習技術應用到推薦系統(tǒng)中，可以從用戶-項目交互信息中提取更多的隱藏信息［9-10］。比如Bahdanau等［11］引入轉移神經網絡對社交領域和項目領域之間的相互作用進行建模，能捕獲復雜的非線性信息；Wu等［12］通過用戶嵌入的分層傳播，用神經擴散來近似用戶之間的社會影響力，有效捕捉了高階用戶關系和潛在特征。但是這些方法沒有區(qū)分社會影響力強度，將朋友關系看作同等影響力，會導致用戶偏好出現偏差。之后Chen等［13］將神經網絡與注意力相結合，提出了一個兩階段注意力框架捕捉用戶之間的關系，并動態(tài)地衡量用戶好友的社會影響力強度。EATNN（Efficient Adaptive Transfer Neural Network）［14］在注意力的基礎上，通過遷移學習自適應地學習用戶偏好關系。上述方法在評分預測方面取得了顯著效果，但是推薦系統(tǒng)中的大部分數據本質上可以視為圖數據，GNN具有強大的圖表分析能力，更適用于分析網絡數據和社會依賴關系，且GNN的信息傳播和更新機制與社交網絡中的社會影響關系十分相近，因此最近的研究開始將GNN引入基于社交關系的推薦系統(tǒng)中。

1.2　基于GNN的社交推薦模型

GNN是一種從卷積神經網絡（Convolutional Neural Network， CNN）和圖嵌入思想的啟發(fā)中拓展出的新型神經網絡，可以通過節(jié)點間的消息傳播捕捉圖上的依賴關系，即迭代聚合鄰域信息，并整合聚合后的信息與當前節(jié)點的表示［15-17］。早期的基于GNN的研究方法主要集中在一階鄰居的建模影響上，例如，GraphRec［18］分別在社交圖和用戶-項目圖提取用戶和項目特征，以全面了解用戶和項目的嵌入；最近的研究探索了高階影響，例如，DiffNet++［19］將推薦任務轉化為一個以社交網絡和興趣網絡為輸入的異構圖，結合多層注意力和GCN來學習節(jié)點嵌入；Danser［20］加入圖注意力（Graph ATtention， GAT）采用遺傳算法學習用戶/項目的靜態(tài)和動態(tài)嵌入向量。然而，這些方法不能有效地處理信息多樣性問題，在現實生活中，社交關系和用戶對項目的評分是動態(tài)變化的，為了解決這一問題，Luo等［21］通過堆疊Rec-conv層動態(tài)地提取和融合社交關系、用戶評分和項目評分因素，并利用注意力聚合用戶和項目多樣性信息；Xu等［22］重構GNN捕捉用戶關系的局部和全局上下文信息，從用戶-項目交互中自動提取多關系協(xié)同信息。

盡管上述解決方案取得了顯著成效，但并未考慮社會異構關系對用戶偏好的影響。針對此問題，受文獻［21-25］工作的啟發(fā)，提出HR-GNN模型，通過GCN聚合多樣性社交因素，構建查詢方法區(qū)分上下文關系一致的鄰居節(jié)點，加強對節(jié)點信息的學習能力，并利用鄰居抽樣和自注意力為鄰居節(jié)點分配重要度因子，增強模型的學習能力，進而提高推薦性能。

2 HR?GNN模型

2.1　符號定義

2.2　模型概述

圖2　HR-GNN模型框架

2.3　圖卷積層

2.3.1用戶特征

1）用戶社交向量。

通過應用GCN在社交圖中傳播節(jié)點信息提取用戶社交關系得到社交向量，它的形式可定義為：

其中：是第l層的用戶編碼表示；是要提取的用戶社交因素；表示非線性激活函數；是特定層的線性變換矩陣；是鄰接矩陣；是單位矩陣；是有自連接的鄰接矩陣；表示的對角節(jié)點度矩陣，采用對稱歸一化策略，通過運算進行鄰域信息聚合。經過圖卷積計算，可以將用戶鄰居的影響力聚集到目標社會因素中。

2）用戶評分向量。

3）對用戶特征的聚合。

2.3.2項目特征

在生成項目的潛在向量時，不僅要考慮項目自身的嵌入情況，還要考慮用戶對項目的評分因素。

1）項目評分向量。

項目評分向量聚合了項目的歷史評分，與第2.3.1節(jié)中的用戶評分向量類似，采用了通道的GCN濾波器對個不同的評分值進行聚合。第一個通道的項目評分向量為：

2）對項目特征的聚合。

綜上所述，在每個Rec-conv層中，動態(tài)地將用戶社交向量、用戶評分向量、項目評分向量聚集到用戶嵌入和項目嵌入中，可以有效獲取用戶和項目的多樣化信息。

2.4　查詢層

2.5　鄰居抽樣層

2.6　注意力層

2.7　評分預測層

2.8　算法流程

算法1 HR-GNN學習過程。

1）初始化神經網絡中的各種參數

2） for每次迭代過程do

7） End for

8） 根據式（11）～（13）更新用戶和項目嵌入向量

10） End for

第1）行初始化模型的各種參數；在每次迭代訓練中分構造信息和更新信息兩個階段，第3）～7）行構造節(jié)點信息，第8）行分析節(jié)點間異構關系并更新節(jié)點信息；第9）行計算評分預測值。

3 實驗與結果分析

3.1　實驗設置

3.1.1數據集及預處理

HR-GNN使用了兩個真實數據集。數據集中的數據分別從流行的消費者評論網站Ciao［18］和Epinions［24］收集，這兩個數據集中的用戶可以對項目進行評分、瀏覽、評論。不同的推薦系統(tǒng)中，評分值的設定不同，本文根據Ciao和Epinions的設置，將評分值設定為｛1，2，3，4，5｝，評分越高表示越喜歡。在數據處理過程中，刪除了沒有社交關系的用戶。表1列出了數據集有關統(tǒng)計項目的內容。

表1　數據集統(tǒng)計結果

3.1.2評價指標

HR-GNN模型采用平均絕對誤差（Mean Absolute Error， MAE）和均方根誤差（RMSE）作為實驗結果的評價指標。

MAE用于評估推薦系統(tǒng)預測的評級與用戶給出的評級之間的差異，公式如下：

RMSE用于計算評級預測中較大誤差之間的差異，計算公式如下：

3.1.3參數設置

HR-GNN在Python庫PyTorch2的基礎上實現了本文方法。對于每個數據集，使用%作為學習參數的訓練集，使用（1-%）/2作為驗證集來調整超參數，并使用（1-%）/2作為最終性能比較的測試集，其中取值為｛60，80｝，實驗過程選擇使用60%作為訓練集；分別在｛8，16，32，64，128，256｝和｛32，64，128，256，512｝范圍內選擇嵌入維度大小和訓練批次大??；學習率設定為0.000 5，激活函數使用ReLU，堆疊兩層Rec-conv（包含GCN結構和ReLU激活函數）。在所有實驗中都使用了提前終止策略，即如果驗證集上的RMSE在5輪之內沒有改善，則停止訓練。對于所有的神經網絡方法，采用高斯分布隨機地初始化模型參數，其中均值和標準差分別為0和0.1。對于基線模型，按照原文獻中的說明調整超參數，并記錄最佳結果。

3.2　對比模型和性能評估

3.2.1對比模型

為了驗證模型的有效性，將HR-GNN與最具代表性的方法進行對比，對比模型包括傳統(tǒng)推薦算法和基于深度學習的推薦算法。

1）傳統(tǒng)推薦算法。PMF［27］、SocialMF［28］和SoReg［2］是基于矩陣分解的傳統(tǒng)推薦算法：PMF是傳統(tǒng)矩陣分解算法，SocialMF和SoReg是加入社會關系正則化的社交推薦算法。

2）基于深度學習的推薦算法。包括基于注意力機制的算法（SAMN［13］、EATNN［14］）和基于GNN的算法（GraphRec［18］、Danser［20］、ASR［21］、ConsisRec［23］）。

本文模型不涉及與TOP-推薦方法的比較，例如DiffNet，因為TOP-推薦的目標是為用戶檢索或排名個項目，而不是直接預測用戶-項目評分值。

1）PMF：基于矩陣分解的模型，通過高斯分布對用戶和項目的隱因子進行建模，突破了傳統(tǒng)協(xié)同過濾的限制。

2）SoReg：利用社會正則化將社交網絡信息建模為正則化項，以約束矩陣因式分解框架，解決了信任感知問題。

3）SocialMF：將信任關系融入矩陣分解架構中，捕捉推薦場景中的社交現象。

4）SAMN：將神經網絡與注意力相結合，提出了一個兩階段注意力框架捕捉用戶之間的關系，并動態(tài)地衡量用戶好友的社會影響力強度。

5）EATNN：該方法建立在基于注意力的轉移神經網絡的基礎上，通過遷移學習自適應地捕捉社會領域和項目領域之間的相互作用關系。

6）GraphRec：初次考慮將注意力機制與GNN相結合來學習社交圖和用戶-項目圖中的用戶和項目嵌入，并結合一階鄰居獲取節(jié)點信息。

7）Danser：首次使用成對的圖注意力（GAT）捕獲用戶/項目的動態(tài)或者靜態(tài)特征，實現了動態(tài)和靜態(tài)特征的融合。

8）ASR：提出利用GCN和注意力機制分析用戶和項目特征的多樣性，并將這些特征聚合到用戶和項目嵌入向量中。

9）ConsisRec：構造異構圖捕獲全局上下文信息，突破了捕捉高階信息的限制，并強調了節(jié)點關系的重要性。

3.2.2性能評估

為保證實驗結果的穩(wěn)定性，對于本文HR-GNN模型進行5次訓練、驗證之后取均值作為實驗結果，結果如表2所示，表現最好的結果用粗體標出。

表2　HR-GNN模型運行5次的均值結果

將HR-GNN模型與基線模型在Ciao和Epinions兩個數據集上進行對比實驗，結果如表3所示，表現最好的結果仍用粗體標出，次優(yōu)結果用下畫線表示。

分析表3中的實驗數據得出以下結論：

SocialMF和SoReg將社交圖作為附加信息，把社會關系與矩陣分解相結合，取得的效果比未考慮社會關系的傳統(tǒng)矩陣分解算法PMF更優(yōu)。對這兩類模型進行比較，驗證了社交圖作為輔助信息可以提高推薦性能。

SAMN和EATNN模型引入了注意力機制，利用注意力衡量用戶好友的影響力，兩者性能優(yōu)于僅考慮社會關系的SocialMF和SocReg模型。這兩類模型的對比，驗證了社會影響力強度的重要性。另外，EATNN引入了遷移學習，自適應地學習用戶偏好關系，它的性能優(yōu)于SAMN。

將使用注意力機制的模型（SAMN、EATNN）和基于GNN的模型（GraphRec、Danser、ASR、ConsisRec）進行對比，后者的推薦性能明顯優(yōu)于前者。這揭示了使用加權求和聚集高階依賴的局限性，表明GNN在分析社交依賴關系方面更占優(yōu)勢。

ConsisRec模型考慮了節(jié)點間關系的異構型，比將社會關系看成同等重要度的GraphRec模型和考慮高階節(jié)點關系的Danser模型效果更好。

ASR分析了節(jié)點交互的多樣性，挖掘出了更豐富的社交信息，故性能比GraphRec、Danser和ConsisRec更優(yōu)。

總體而言，捕捉豐富的節(jié)點信息對性能提高至關重要。從實驗結果可以看出，HR-GNN模型相較于其他模型更具競爭力，因為HR-GNN在利用GCN分析用戶和項目多樣性的同時，增加了處理社會不一致關系的能力，表明了聚合一致性鄰居對推薦性能有很大提升。

表3　兩個數據集上不同模型的實驗結果

3.3　消融實驗

為了驗證本文的查詢嵌入和鄰居抽樣對模型推薦性能提升的有效性，設計消融實驗，實驗結果如圖4所示。

圖4　HR-GNN模型的消融實驗結果

由圖4可以得出以下結論：

1）模型HR-GNN_A移除了查詢層，在查詢節(jié)點信息時直接使用卷積聚合后的用戶嵌入而不是查詢嵌入來選擇相應的鄰居。使用查詢嵌入的HR-GNN模型較未考慮異構關系的HR-GNN_A模型在兩個數據集上的算法性能均有提升。在Ciao數據集上，HR-GNN算法的MAE和RMSE指標分別降低了1.77%和2.30%；在Epinions數據集上，HR-GNN算法的MAE和RMSE指標分別降低了2.38%和1.41%。由此可知，本文構建查詢模塊可以有效分析節(jié)點依賴關系，建模用戶之間的相關性，提高模型的推薦性能。

2）模型HR-GNN_B移除了鄰居抽樣層，在進行鄰居采樣時聚合了節(jié)點的所有鄰居。實驗結果表明，使用鄰居抽樣的HR-GNN模型與未考慮聚合關系一致性鄰居的HR-GNN_B模型相比，在兩個數據集上的效果均有明顯改善。以MAE和RMSE為衡量指標，HR-GNN模型在Ciao數據集上分別降低了4.38%和3.95%，在Epinions數據集的性能分別降低了4.97%和3.34%，驗證了選擇一致性鄰居的重要性。

3）模型HR-GNN_C移除了注意力機制，為具有不同關系的邊賦予了相同的權重。區(qū)分社會影響力強度的HR-GNN模型與之相比，在兩個數據集上的實驗結果更優(yōu)，推薦性能得到了改善，說明衡量社會影響力強度可以提升算法的有效性。

3.4　超參數的影響

由圖5可以看出，隨著值的增加，HR-GNN模型在兩個數據集上的性能不斷變化，在Ciao數據集上值為24時性能最佳，在Epinions數據集上值為26時性能最佳；達到峰值后，性能會隨著值的增加開始逐步下降。由此可知，較小的嵌入維度不足以表示節(jié)點信息，而較大的嵌入維度會導致過擬合問題。

圖5　嵌入維度對模型性能的影響

3.5　效率分析

本節(jié)主要對HR-GNN模型的效率進行分析，并從時間復雜度和空間復雜度兩個角度分析了該模型的有效性。

由表4可以看出，與其他模型相比，HR-GNN模型的訓練效率更高，主要原因是：該模型只在鄰居節(jié)點學習用戶和項目特征，且模型中的圖神經網絡不依賴整個圖，降低了模型計算的復雜度。因此，HR-GNN模型不僅在性能上有所提升，在訓練效率上也具有競爭力。

為分析模型的空間復雜度情況，在Ciao數據集上進行實驗獲取不同模型的參數量、模型大小和運行時占用的內存量，實驗結果如表5所示。由表5可知，模型大小和占用內存量與模型參數量有關，說明模型的空間復雜度與參數量有關。HR-GNN模型由于增加了計算節(jié)點關系的任務，所以參數量和占用內存量會有所增加，但與基線模型相差較小。綜合分析，HR-GNN模型穩(wěn)定、高效，在包含大量社會關系的真實社交推薦場景中更為合適，具有一定優(yōu)勢。

表4　不同模型在兩個數據集上的平均訓練時間

表5　不同模型的參數量分析

4 結語

本文提出了結合異構關系增強GNN的社交推薦模型HR-GNN，分析了用戶之間的全局依賴關系和關系一致的用戶對不同項目的偏好情況。HR-GNN設計了查詢模塊捕捉GCN聚合的社會依賴關系中一致性的鄰居節(jié)點，通過鄰居抽樣策略挖掘社會異構關系，并利用自注意力機制提高節(jié)點特征表示質量。實驗結果表明，HR-GNN模型的性能優(yōu)于先進的社交推薦模型，但僅利用了用戶對項目的評分信息，未來的工作可以將項目的文本描述和用戶評論整合到推薦框架中，以增強語義信息，進而提高推薦性能。

[1] YANG B， LEI Y， LIU J， et al. Social collaborative filtering by trust［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（8）： 1633-1647.

[2] JAMALI M， ESTER M. A matrix factorization technique with trust propagation for recommendation in social networks［C］// Proceedings of the 4th ACM Conference on Recommender Systems. New York： ACM， 2010： 135-142.

[3] ABADAL S， JAIN A， GUIRADO R， et al. Computing graph neural networks： a survey from algorithms to accelerators［J］. ACM Computing Surveys， 2022， 54（9）： No.191.

[4] FAN W， LI Q， CHENG M. Deep modeling of social relations for recommendation［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2018： 8075-8076.

[5] LIU Z， DOU Y， YU P S， et al. Alleviating the inconsistency problem of applying graph neural network to fraud detection［C］// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 1569-1572.

[6] LIU Z， LI X， FAN Z， et al. Basket recommendation with multi-intent translation graph neural network［C］// Proceedings of the 2020 IEEE International Conference on Big Data. Piscataway： IEEE， 2020： 728-737.

[7] KRASNOVA H， WIDJAJA T， BUXMANN P， et al. Research note — why following friends can hurt you： an exploratory investigation of the effects of envy on social networking sites among college-age users［J］. Information Systems Research， 2015， 26（3）： 585-605.

[8] SONG L， BI Y， YAO M， et al. DREAM： a dynamic relation-aware model for social recommendation［C］// Proceedings of the 29th ACM International Conference on Information and Knowledge Management. New York： ACM， 2020： 2225-2228.

[9] FU M， QU H， YI Z， et al. A novel deep learning-based collaborative filtering model for recommendation system［J］. IEEE Transactions on Cybernetics， 2019， 49（3）： 1084-1096..

[10] NI J， HUANG Z， CHENG J， et al. An effective recommendation model based on deep representation learning［J］. Information Sciences， 2021， 542： 324-342.

[11] BAHDANAU D， CHO K， BENGIO Y. Neural machine translation by jointly learning to align and translate［EB/OL］. （2016-05-19） ［2022-09-13］.https：//arxiv.org/pdf/1409.0473.pdf.

[12] WU L， SUN P， FU Y， et al. A neural influence diffusion model for social recommendation［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 235-244.

[13] CHEN C， ZHANG M， LIU Y， et al. Social attentional memory network： modeling aspect-and friend-level differences in recommendation［C］// Proceedings of the 12th ACM International Conference on Web Search and Data Mining. New York： ACM， 2019： 177-185.

[14] CHEN C， ZHANG M， WANG C， et al. An efficient adaptive transfer neural network for social-aware recommendation［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 225-234.

[15] GAO C， WANG X， HE X， et al. Graph neural networks for recommender system［C］// Proceedings of the 15th ACM International Conference on Web Search and Data Mining. New York： ACM， 2022： 1623-1625.

[16] WU S， SUN F， ZHANG W， et al. Graph neural networks in recommender systems： a survey［J］. ACM Computing Surveys， 2023， 55（5）： No.97.

[17] 黃立威，江碧濤，呂守業(yè)，等. 基于深度學習的推薦系統(tǒng)研究綜述［J］. 計算機學報， 2018， 41（7）：1619-1647.（HUANG L W， JIANG B T， LYU S Y， et al. Survey on deep learning based recommender systems［J］. Chinese Journal of Computers， 2018， 41（7）： 1619-1647.）

[18] FAN W， MA Y， LI Q， et al. Graph neural networks for social recommendation［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019： 417-426.

[19] WU L， LI J， SUN P， et al. DiffNet++： a neural influence and interest diffusion network for social recommendation［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（10）： 4753-4766.

[20] WU Q， ZHANG H， GAO X， et al. Dual graph attention networks for deep latent representation of multifaceted social effects in recommender systems［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019： 2091-2102.

[21] LUO D， BIAN Y， ZHANG X， et al. Attentive social recommendation： Towards user and item diversities［EB/OL］. ［2022-09-13］.https：//arxiv.org/pdf/2011.04797.pdf.

[22] XU H， HUANG C， XU Y， et al. Global context enhanced social recommendation with hierarchical graph neural networks［C］// Proceedings of the 2020 IEEE International Conference on Data Mining. Piscataway： IEEE， 2020： 701-710.

[23] YANG L， LIU Z， DOU Y， et al. ConsisRec： enhancing GNN for social recommendation via consistent neighbor aggregation［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 2141-2145.

[24] CONG W， FORSATI R， KANDEMIR M， et al. Minimal variance sampling with provable guarantees for fast training of graph neural networks［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 1393-1403.

[25] ZENG H， ZHOU H， SRIVASTAVA A， et al. GraphSAINT： graph sampling based inductive learning method［EB/OL］. （2020-02-16） ［2022-09-13］.https：//arxiv.org/pdf/1907.04931.pdf.

[26] CHIANG W L， LIU X， SI S， et al. Cluster-GCN： an efficient algorithm for training deep and large graph convolutional networks［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 257-266.

[27] SALAKHUTDINOV R， MNIH A. Probabilistic matrix factorization［C］// Proceedings of the 20th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2007： 1257-1264.

[28] MA H， ZHOU D， LIU C， et al. Recommender systems with social regularization［C］// Proceedings of the 4th ACM International Conference on Web Search and Data Mining. New York： ACM， 2011： 287-296.

Social recommendation by enhanced GNN with heterogeneous relationship

WANG Yonggui， SHI Qiwen*

（，，125105，）

Social recommendation aims to use users’ social attributes to recommend potential items of interest， which effectively alleviates the problems of data sparsity and cold start. However， the existing social recommendation algorithms mainly focus on studying a single social relationship， and social attributes are difficult to fully participate in calculations， so that there are problems of failure to fully explore social heterogeneous relationships and poor quality of node feature representation. Therefore， an enhanced GNN model for social recommendation with Heterogeneous Relationship （HR-GNN） was proposed. In HR-GNN， Graph Convolutional Network （GCN） was used to aggregate user and item node information to generate query embeddings for node information query； the social heterogeneity relationships were explored by neighbor sampling strategy that combines sampling probabilities with consistency scores among neighbor nodes； and the node information was aggregated by self-attention mechanism to improve the quality of user and item feature representation. Experimental results on two real-world datasets demonstrate that in comparison with baseline algorithms， the proposed algorithm has significant improvements in both Mean Absolute Error （MAE） and Root Mean Square Error （RMSE）， and they are reduced by at least 1.80% and 1.35% on Ciao dataset and at least 2.80% and 3.18% on Epinions dataset， verifying the effectiveness of HR-GNN model.

social recommendation; Graph Convolutional Network (GCN); neighbor sampling; attention mechanism; network embedding

1001-9081（2023）11-3464-08

10.11772/j.issn.1001-9081.2022111774

2022?11?28；

2023?03?22；

國家自然科學基金資助項目（61772249）。

王永貴（1967—），男，內蒙古赤峰人，教授，碩士，CCF會員，主要研究方向：大數據、并行計算、數據庫、數據挖掘； 時啟文（1998—），女，河南商丘人，碩士研究生，主要研究方向：推薦系統(tǒng)

TP391

A

2023?03?23。

This work is partially supported by National Natural Science Foundation of China （61772249）.

WANG Yonggui， born in 1967， M. S.， professor. His research interests include big data， parallel computing， database， data mining.

SHI Qiwen， born in 1998， M. S. candidate. Her research interests include recommender system.