基于分级注意力网络和多层对比学习的社交推荐

摘要

将社交关系融入推荐系统中，能有效提高推荐质量。然而现实世界中用户的交互数据是稀疏和复杂的，如何更好地利用社交信息是关键问题。现有社交推荐模型没有充分探索高阶好友的影响，而且忽略了用户间的关系强度和不同种类的关系对用户的影响，导致推荐性能不佳。为了解决上述问题，本文提出一个基于分级注意力网络和层次化对比学习的社交推荐模型。具体来说，首先，依据用户间不同关系构建用户级超图，扩大节点聚合的感知范围，加深模型深度。然后，设计多级注意力网络更好地捕捉用户交互数据之间的关系和重要性，其中，视图级自注意力机制捕获好友对用户的影响以及项目间的关联程度，通道级注意力自适应地调整不同种类的关系对用户的影响。同时，引入层次化对比学习对数据进行增强，包括视图间和跨视图的第一层对比学习和针对高阶关系的第二层对比学习，多维度捕获数据的细微差距和高层次的抽象特征。最后，将所提出的模型在4个公开基准数据集上进行评估，结果表明本文模型Precision、Recall、NDCG较其他最优基线模型分别提升7.61%、11.05%、10.69%,验证了本文模型的有效性。

关键词

社交推荐 / 注意力网络 / 超图学习 / 对比学习 / 推荐系统