基于圖注意力網絡的開源社區問題解決參與者推薦

摘要：在開源社區中，開發者提出的問題能否得到快速與高質量的答復和解決決定著社區的活躍程度。因此，為新提交的問題尋找和推薦合適的問題解決參與者有助于社區的發展。根據開發者之間的協作關系記錄與開發者參與問題的記錄構建了雙層圖注意力網絡的問題解決參與者推薦模型（GAT-UCG）。首先獲取問題參與者的信息和開發者的互動信息，分別構建開發者問題參與圖和開發者協作關系圖。通過注意力機制對于邊重新分配權重，最后根據輸出層得到的問題節點嵌入表示進行問題參與者的top-N推薦。選取了GitHub流行倉庫中的7 352個問題進行了實驗，實驗結果表明，所提GAT-UCG模型在推薦準確率、召回率、F-score三個指標上均優于基線方法。

關鍵詞：推薦系統；問題跟蹤；圖注意力網絡；參與者推薦；評論網絡

中圖分類號：TP183文獻標志碼：A

文章編號：1001-3695（2022）08-019-2352-05

doi：10.19734/j.issn.1001-3695.2022.01.0028

Graph attention network based participant recommendation for

issue resolution in open source community

Zhao Haiyan1，2，3，Xia Wenzong1，2，3，Cao Jian4，Chen Qingkui1，2，3

（1.Shanghai Key Laboratory of Modern Optical System，Shanghai 200093，China；2.Engineering Research Center of Optical Instrument amp; System，Ministry of Education，Shanghai 200093，China；3.School of Optical-Electrical amp; Computer Engineering，University of Shanghai for Science amp; Technology，Shanghai 200093，China；4.Dept.of Computer Science amp; Technology，Shanghai Jiao Tong University，Shanghai 200030，China）

Abstract：In the open source community，it’s essential to find and recommend suitable participants for newly initiated issues in order to solved the issues and develop the community.This paper proposed to construct a two-layer graph attention network participant recommendation model（GAT-UCG） based on the cooperative relationship records and the historical participated issues records of the developers.The method used to construct the model is obtaining the information of the problem participants and the interaction information of the developers，and built the developer problem participation graph and the developer collaboration relationship graph respectively，then redistributed the weights to the edges through the attention mechanism.Finally，it figured the top-N recommendation of the problem participants according to the issue node embedding representation obtained by the output layer.There were 7 352 issues from popular GitHub repositories for experiments.The results show that the GAT-UCG model outperforms the baseline method in three indicators：recommendation accuracy，recall，and F-score.

Key words：recommendation system；issue tracking；graph attention network；participant recommendation；comment network

0引言

在現代開源軟件開發過程中，開源社區為開源軟件的開發者們提供了一個高效的合作平臺，例如，GitHub作為全球最大的開源社區平臺，吸引了世界各地的開發者參與開發。

為了讓開發者更便捷地進行開源項目的交流，每個人都可以在開源社區中創建問題，而問題的參與者包括項目開發團隊的核心成員或是對該問題感興趣的外部貢獻者。在開源社區中，經常會有大量的問題等待開發者進行回復和解決[1]。將推薦技術應用到開源社區的問題解決過程中，為每個問題推薦問題解決過程的參與者，能有助于提高問題解決的速度與質量，進而促進社區的協作與發展[2，3]。

近年來，許多學者提出了不同的方法，這些方法從開發者畫像、開發者過去解決問題的特征，待解決問題的特征[4，5]等方面進行問題參與者的推薦。

周濤等人[6]采用結構方程模型（SEM）分析發現，在開源社區中社會認同是決定開源社區用戶知識貢獻的主要因素；文獻[7，8]研究發現許多問題都是被聯系緊密的朋友解決的，并且聯系的緊密程度影響著開發者參與問題的積極性。所以將開發者之間的協作關系納入推薦模型，其結果有助于提升開發者知識貢獻的意愿，從而更好、更快地解決問題[9，10]，目前的推薦模型大多根據開發者的專業技能等信息進行推薦，部分工作中雖然考慮了問題提出者與開發者之間的關系，但是這些模型中考慮的是直接社交關系的影響[11，12]，沒有能夠反映社交關系對開發者參與積極性產生的潛在的、復雜的作用，所以本文設計了一個基于圖注意力網絡的問題參與者推薦模型，引入用戶協作關系圖以提升推薦的效果。

本文的主要工作如下：根據開源社區開發者協作的特點，將開發者協作關系信息和開發者問題參與信息與圖注意力網絡相結合，構造了一個雙層圖注意力網絡模型，其中包括開發者協作關系圖和開發者問題參與圖。本文在GitHub上的流行倉庫[13]中選取了7 352個問題進行了實驗。實驗結果表明，本文提出的GAT-UCG模型在推薦準確率、召回率、F-score三個指標上均優于基線方法。

1相關工作

近些年來，有許多學者對于問題參與者推薦進行了研究。Jiang等人[14]提出了一種基于多屬性的推薦評論者方法，將開發者的活躍度與文本相似度等因素納入考慮，發現開發者的活躍度是問題參與者推薦最重要的屬性。Chen等人[15]設計了一個回答者推薦系統，有針對性地將問題推薦給有專業知識、能夠回答該問題的開發者，并且他們發現，對問題進行及時地處理可以促進問題提問者與回答者之間的互動，使問題的回答者更積極地改進他的回答。Davoodi等人[16]提出的基于混合方法的專家推薦系統，使用基于社交網絡的協同過濾方法來提升參與者預測的準確率。Xu[17]提出一種基于社交網絡并使用矩陣分解技術的新推薦方法，以緩解推薦系統稀疏性的問題并提高模型在復雜內容下的準確率和多樣性。劉曄暉等人[1]提出一種基于信息索引、評論網絡及熵值法的混合推薦算法，其混合方法相比其獨立的方法有著更好的性能。

由于傳統的推薦系統存在泛化能力差、表達能力不足并且難以處理非歐幾里德空間數據等問題[18～20]。近些年來，能夠處理非歐幾里德空間數據的圖神經網絡在挖掘復雜網絡的隱藏特征等任務上取得了巨大的成功[21]。針對基于圖神經網絡（GNN）的推薦算法，Kipf等人[22]提出了一種半監督圖卷積算法（GCN），利用圖的拓撲結構和節點的信息進行標簽分類。Zhang等人[23]提出一種基于圖神經網絡的啟發式鏈路預測方法，從局部子圖中學習啟發式，并保持著很好的泛化性能。Zhang等人[24]提出了基于圖卷積神經網絡（GCN）的用戶表示學習推薦方法，通過多層的圖卷積層進行用戶的表示學習。雖然圖卷積神經網絡能夠很好地表示節點的特征，但GCN內推式（transductive）的性質并不適合開源軟件快速迭代的特點。為了提升GCN擴展性，Hamilton等人[25]提出了GraphSAGE模型，有效地提升了模型的靈活性和泛化能力。但在實際情況中，不同的開發者對于問題的貢獻程度是不同的，需要對于開發者節點之間的邊給予重要性的表示。Velicˇkovic＇等人[26]提出基于注意力模型的圖神經網絡（GAT），通過引入注意力機制來使模型能夠根據鄰居節點特征的不同來為其分配不同的權值。針對圖神經網絡模型的改進方法，Tao等人[27]提出了一種基于多模型的圖注意力推薦算法，使用GNNs從不同的模型中獲取用戶的偏好。Fan等人[28]提出一種用于社交推薦的圖神經網絡架構（GraphRec），使用注意力機制區分社交關系的重要性。Guo等人[29]提出一種基于深度圖神經網絡的社交推薦框架（GNN-SoR），將用戶與項目的特征抽象為兩個圖，通過圖神經網絡進行編碼并將編碼嵌入至矩陣分解的兩個潛在因子中，以完成用戶—項目評分矩陣中缺失的評分值。Wang等人[30]使用不同的聚類函數來處理用戶的鄰居并使用注意力機制生成用戶項目的表示。本文模型首先利用開源社區問題解決過程中的用戶評論數據，來構建開發者的特征，之后利用圖注意力機制學習開發者鄰居節點的權重并進行節點特征的傳播。問題的標簽可以直接地體現提問者的主題和疑問所對應的模塊，所以將問題標簽的one-hot編碼作為問題節點的特征進行問題參與者的推薦。與目前的其他模型相比，本文模型對協作關系進行了更為全面的融合。

2基于圖注意力網絡的問題參與者推薦

本文首先對于開源社區中評論數據進行分析，驗證了開發者之間的協作關系在問題解決的過程中起著重要的作用。為了充分地挖掘開發者協作網絡，本文根據開發者之間的評論信息與開發者參與問題的記錄，設計了一個雙層圖注意力模型（GAT-UCG），模型的整體結構如圖1所示。

2.1社交關系對于開發者參與問題解決的重要性

為了驗證開源社區中歷史合作過的關系在新問題討論中出現的比例，本文在GitHub上選取了兩個流行倉庫TensorFlow和Kubernetes的數據進行分析。

首先在倉庫中選取特定時間段內的issue作為源數據，并根據月份劃定每月用戶社交數據并以第一個月的數據為用戶社交的基準數據，將后面月份的互動數據與基準互動數據對比，獲得當前時間段里用戶互動列表中歷史上曾互動過的關系的比例，其中本文將曾互動過的行為定義為用戶雙方曾在同一個issue中進行過評論行為，分析結果如表1所示。

從表1可以看出，在Kubernetes倉庫中，在以一個月為間隔的時間段內，平均曾互動過的比例占該月總互動數目的61.80%，在TensorFlow社區中也存在一定比例的歷史互動。分析結果表明，開發者與曾互動過的人一起參與新問題的討論這一現象十分普遍，并且隨著時間的推進，這一比例穩步升高，體現出開發者之間的協作網絡逐漸擴大，所以將開發者之間的歷史合作信息納入考慮有助于提升問題參與者推薦模型的性能。

2.2多注意力頭的圖注意力層

多注意力頭的圖注意力層作為GAT-UCG模型的基本單元，其基本結構如圖2所示。該層的輸入數據為一組節點特征，P={p1，p2，p3，…，pN}，pi∈Euclid Math TwoRApF，其中N代表節點的數量，F代表每個節點特征的數目。每一層模型的輸出為一組節點的新特征，P′={p1′，p2′，p3′，…，pN′}，pi′∈Euclid Math TwoRApF′。為了充分地將輸入特征轉換為高階的嵌入表示，在每個圖注意力層中，在節點的計算中引入自注意力（self-attention）機制，輸入特征的計算如式（1）（2）所示。

eij=LeakyReLU（aT[WPi‖WPj]）（1）

αij=softmaxj（eij）=exp（eij）∑k∈Euclid Math OneNApiexp（eik）（2）

其中：P為輸入的嵌入表示；W∈Euclid Math TwoRApF′×F為權重矩陣；Euclid Math OneNApi為圖G中節點i的一階鄰居。

所以，注意力層輸出的嵌入表示P′∈Euclid Math TwoRApN×F′計算公式如式（3）所示。

p′i=σ（∑j∈NiαijWpj）（3）

其中：i、j 屬于圖G；圖G為輸入圖；σ為非線性的激活函數。

為了能夠獲得穩定的自注意力（self-attention）結果，采用K個獨立的注意力頭進行計算，之后將它們的計算結果進行串聯，其中在最后一層為了減少輸出特征向量的維度，將拼接操作替換為平均操作，如式（4）（5）所示。

p′i=‖Kk=1σ（∑j∈NiαkijWkpj）（4）

p′i=σ（1K∑Kk=1∑j∈NiαkijWkpj）（5）

其中：‖表示將特征進行串聯操作；K代表多注意力頭的數目；αkij代表由第k個注意力頭計算的注意力系數；Wk代表對應輸入的線性變換權重矩陣。使用多注意力機制可將注意力分配到中心節點與鄰居節點之間的相關特征上，可使模型的學習能力更強。

2.3開發者協作圖的權重傳播

開發者協作圖層主要負責進行開發者之間權重傳播。本文將用戶協作圖定義為一個帶權重的有向圖 GDC=〈VD，ED，WD〉，其中節點VD表示開發者集合，節點之間的關系集合用邊ED 表示，如果開發者VDi至少評論或引用了開發者VDj提交的一個問題或回復，那么從開發者VDi 到VDj 之間就會有一條邊eij。本文通過正則表達式來提取文本中的@行為、引用他人評論等行為，獲得開發者之間的協作關系。權重集合W反映了邊的重要程度，本文通過圖注意力機制來進行邊的權重進行學習，使用αij 表示VDi、VDj之間邊的權重。開發者節點的嵌入表示通過該開發者歷史參與問題的標簽進行multi-hot編碼得到。開發者協作圖注意力機制的輸出如式（6）所示。

p′Di=σ（∑j∈NDiexp（LeakyReLU（aT[WpDi‖WpDj]））∑k∈NDiexp（LeakyReLU（aT[WpDi‖WpDk]））WpDj）（6）

其中：pDi、pDj分別表示開發者節點i、j的嵌入表示；Euclid Math OneNApDi為開發者節點i的一階鄰居節點。

圖3顯示了開發者協作圖中的一部分示例，如開發者pD4與pD5存在協作關系，因此pD4到pD5有一條邊，其權重為α45。

2.4開發者—問題參與圖的權重傳播

本文將開發者—問題參與圖定義為GID=〈VI，VD，EI-D，WI-D〉，該圖為二分圖。其中頂點VI表示問題集合，頂點VD表示開發者集合，問題節點與開發者節點之間的關系集合用邊EI-D表示，如果開發者VDi至少評論了問題VIj一次，那么從VDi 到VIj 就會有一條邊eij。權重集合W反映了邊的重要程度，本文通過注意力機制來對開發者與問題之間邊的權重進行學習，使用αij 表示VDi、VIj之間邊的權重大小。開發者—問題參與圖注意力機制的輸出如式（7）所示。

p′I=σ（∑D∈Ndexp（LeakyReLU（aT[Wpi‖WpD]））∑k∈Ndexp（LeakyReLU（aT[Wpi‖Wpk]））WpD）（7）

其中：pD為開發者節點的嵌入表示；pi為問題節點的嵌入表示；Euclid Math OneNApd為問題節點的一階鄰居節點。

圖4顯示了開發者—問題參與圖中的一部分示例，如開發者 pD1、pD2、pD3，參與了問題 pI1的討論，因此pD1、pD2、pD3到pI1分別有一條邊，其分別為α11、α21、α31。

2.5模型預測和優化

為了學習模型參數，使模型可以更好地建模問題與開發者之間的特征。本文采用LogSoftmax進行問題解決參與者的預測，預測層輸出如式（8）所示。

pi=log（exp（ai）∑Ck=1exp（ak））（8）

其中：a1，a2，a3，…，aC是問題節點I的特征；pi為該問題節點I應該被分配給開發者i的概率。通過式（8）可以獲得該問題節點I分配給每個開發者的概率，根據概率的高低進行排序，推薦top-N的問題解決參與者。使用LogSoftmax能夠加快模型運算的速度，提高數據的穩定性。模型采用梯度下降法訓練更新模型參數。

3數據及實驗

3.1問題及用戶評論數據

本文在GitHub上選擇了兩個流行倉庫，即Tensorflow和Kubernetes作為實驗數據。通過GitHub API獲得了倉庫特定時間段內的issue信息，包含issue的標簽以及所有參與該問題的用戶信息，共獲取了7 352條issue以及58 814條評論行為，數據集如表2所示。

3.2評測指標

為了驗證算法的性能，采用召回率、精確率和F-score作為評價的指標，推薦結果的召回率計算方式如式（9）所示。

recall=∑|issues|i=1|R（i）∩T（i）|∑|issues|i=1|T（i）|（9）

推薦結果的精確率計算方式如式（10）所示。

precision=∑|issues|i=1|R（i）∩T（i）|∑|issues|i=1|R（i）|（10）

推薦結果的F-score值計算方式如式（11）所示。

F-score=2×precision×recallprecision+recall（11）

其中：issues表示問題的測試集；R（i）表示根據開發者在訓練集上的行為作出的top-N推薦列表；T（i）表示實際參與問題的用戶列表。

3.3實驗設置

本文在Python 3.8，PyTorch1.9.0，CUDA 11.4，RTX3090環境下完成GAT-UCG與基線算法的對比實驗。在實驗中，按照8：1：1的比例劃分數據集來構造訓練集、驗證集和測試集；GAT-UCG模型超參數的設置如表3所示。將模型默認的訓練輪次（epochs）設置為2 000，并且當驗證集上的評測指標在100輪內沒有變化時提前結束訓練。基線方法GAT和GCN中的嵌入維度、學習率、批處理大小和注意力頭數目與GAT-UCG模型相同，其他超參數默認與原始論文或代碼一致。實驗目標是為測試集中的每個問題推薦排名靠前的N個開發者，并使用recall@N、precision@N、F-score@N三個指標來衡量各模型的性能。

3.4消融實驗

為了評估圖注意力層中多注意力頭的有效性以及貢獻，本節進行了消融實驗分析了單注意力頭與多注意力頭。根據統計，在本文選取的兩個流行倉庫中，99.79%的問題參與人數在10位及以下，所以將推薦的列表長度限制在10人以內進行top-N的問題參與者推薦的召回率評估，結果如表4所示。

為了更加清晰地顯示性能的差別，將表4轉換成圖5的形式。消融實驗結果顯示，基于多注意力頭的圖注意力網絡模型相比基于單注意力頭的圖注意力網絡模型在TensorFlow和Kubernetes兩個倉庫的問題參與者top-N的推薦召回率平均提高8.57%，表明基于多注意力頭的圖注意力模型相比基于單注意力頭的圖注意力網絡模型能穩定傳播鄰居節點信息并且提升模型的推薦性能。

3.5實驗結果

根據消融實驗的結果，本文將多注意力頭的機制應用到GAT-UCG模型中，本文比較了不同的方法在推薦top-2、top-4、top-6、top-8、top-10個參與者時的推薦性能，實驗結果如表5～7所示。

在表5～7中，第一行是本文所提出的基于開發者協作圖和問題參與圖的雙層圖注意力網絡（GAT-UCG）模型。第二行是圖注意力網絡（GAT）模型[26]。第三行是圖卷積神經網絡（GCN）模型[22]。第四行是基于開發者社交網絡的用戶畫像模型（SN）[1]。第五行是基于矩陣分解的協同過濾模型（MF）[17]。

3.6結果分析

為了直觀地表示結果，分別將表5～7轉換成圖6～8的形式。實驗結果顯示，本文GAT-UCG推薦模型在實驗的兩個倉庫上的推薦效果都比對比的四個算法的效果要好。其中，在TensorFlow倉庫上，本文方法召回率最多提升了39.61%，在Kubernetes倉庫上，召回率最多提升了54.61%。

比較所提模型和數據集的不同結果，有以下的觀察和結論：

a）基于圖神經網絡的模型在大部分實驗結果上要優于基于矩陣分解和基于社交網絡的傳統模型。這說明圖神經網絡模型能夠很好地挖掘開發者協作關系和興趣偏好的特征。

b）在基于圖神經網絡的模型中，將開發者協作信息與開發者-issue參與信息進行綜合考慮相比于只利用開發者-issue參與信息的模型可以獲得更好的問題參與者推薦性能。

c）比較兩個實驗數據集上的實驗效果，圖神經網絡模型在Kubernetes倉庫的數據上收到了最優的效果，Kubernetes倉庫有更多的用戶數目、互動數和標簽特征數，這表明圖的內容越豐富，嵌入向量的信息越多，實驗效果越好。因此，當將所提模型應用于更大的數據集時，其效果更加明顯。

d）基于社交網絡的用戶畫像模型在TensorFlow倉庫上top-2的推薦效果相比于基于圖注意力網絡的推薦效果更好，是由于TensorFlow倉庫參與人員更為固定并且標簽類型更少導致基于社交網絡能在推薦人數較少的情況下效果更好。此情況在參與人數更多、標簽更豐富的Kubernetes倉庫中并不明顯。實驗結果顯示，在TensorFlow倉庫中，從top-4開始，圖注意力網絡模型的推薦性能開始超過基于社交網絡的用戶畫像模型，說明圖神經網絡模型能更好地適應復雜的情況。

4結束語

本文通過深入分析已有的問題參與者推薦方法，提出了一種基于圖注意力網絡的問題解決參與者推薦模型并詳細描述了設計的模型。本文選取了GitHub上流行倉庫的數據進行實驗，使用precision、recall和F-score作為模型的評估指標，將本文推薦模型與GAT、GCN、SN和MF進行對比，實驗結果表明本文推薦模型在數據集上的指標均優于基線算法，可以有效地推薦問題參與者。同時，本文模型引入了開發者之間的協作關系，可以更好地根據開發者的社交關系進行推薦。

本文的工作還有不少可拓展的地方，例如在本文中選取問題的標簽作為問題的描述特征，然而，在實際中還有許多問題來不及打標簽或者標簽不全等問題。在未來的工作中，可以考慮將更多的問題特征納入考慮，以提高問題參與者推薦模型的性能。

參考文獻：

［1］劉曄暉，趙海燕，曹健，等.開源社區中Issue解決過程的參與者推薦方法[J].小型微型計算機系統，2020，41（9）：1930-1934.（Liu Yehui，Zhao Haiyan，Cao Jian，et al.Participants recommendation approaches for issue solving process in open source community[J].Journal of Chinese Computer Systems，2020，41（9）：1930-1934.）

[2]Marlow J，Dabbish L，Herbsleb J.Impression formation in online peer production：activity traces and personal profiles in GitHub[C]//Proc of Conference on Computer Supported Cooperative Work.New York：ACM Press，2013：117-128.

[3]Tsay J，Dabbish L，Herbsleb J.Influence of social and technical factors for evaluating contribution in GitHub[C]//Proc of the 36th International Conference on Software Engineering.2014：356-366.

[4]Yeh R T，Ramamoorthy C V.Proceedings of the 2nd international conference on software engineering[J].Scientific American，1976，172（4）：297-301.

[5]Montandon J E，Silva L L，Valente M T.Identifying experts in soft-ware libraries and frameworks among GitHub users[C]//Proc of the 16th International Conference on Mining Software Repositories.Pisca-taway，NJ：IEEE Press，2019：276-287.

[6]周濤，王超.開源軟件社區用戶知識貢獻行為研究[J].科研管理，2020，41（2）：202-209.（Zhou Tao，Wang Chao.A research on knowledge contribution behaviors of open source software community users[J].Science Research Management，2020，41（2）：202-209.）

[7]Morris M R，Teevan J，Panovich K.A comparison of information seeking using search engines and social networks[C]//Proc of the 4th International AAAI Conference on Weblogs and Social Media.Palo Alto，CA：AAAI Press，2010：291-294.

[8]White R W，Richardson M，Liu Yandong.Effects of community size and contact rate in synchronous social Qamp;A[C]//Proc of SIGCHI Confe-rence on Human Factors in Computing Systems.2011：2837-2846.

[9]Alami A，Dittrich Y，Wasowski A.Influencers of quality assurance in an open source community[C]//Proc of the 11th IEEE/ACM International Workshop on Cooperative and Human Aspects of Software Engineering .Piscataway，NJ：IEEE Press，2018：61-68.

[10]Sowe S K，Stamelos I，Angelis L.Understanding knowledge sharing activities in free/open source software projects：an empirical study[J].Journal of Systems and Software，2008，3（81）：431-446.

[11]Wang Huaimin，Wang Tao，Yin Gang，et al.Linking issue tracker with Qamp;A sites for know ledge sharing across communities[J].IEEE Trans on Services Computing，2015，11（5）：782-795.

[12]Guo Liang，Chen Qiumiao，Han Wenwen，et al.Collaborative topic prediction model for user interest recommendation in online social networks[J].International Journal of Digital Content Technology amp; its Applications，2012，6（23）：62-73.

[13]王偉，周添一，趙生宇，等.全球開源生態發展現狀研究[J].信息通信技術與政策，2020（5）：38-44.（Wang Wei，Zhou Tianyi，Zhao Shengyu，et al.Research on the development of global open source ecology[J].Science Research Management，2020（5）：38-44.）

[14]Jiang Jing，Yang Yun，He Jianhuan，et al.Who should comment on this pull request？Analyzing attributes for more accurate commenter recommendation in pull-based development[J].Information and Software Technology，2017，84：48-62.

[15]Chen Tiantian，Cai Jing，Wang Hao，et al.Instant expert hunting：building an answerer recommender system for a large scale Qamp;A website[C]//Proc of the 29th Annual ACM Symposium on Applied Computing.New York：ACM Press，2014：260-265.

［16］Davoodi E，Afsharchi M，Kianmehr K.A social network-based approach to expert recommendation system［C］//Proc of International Conference on Hybrid Artificial Intelligence Systems.Berlin：Springer，2012：91-102.

［17］Xu Chonghuan.A novel recommendation method based on social network using matrix factorization technique［J］.Information Processing amp; Management，2018，54（3）：463-474.

［18］程龍，李涵.基于矩陣分解的推薦算法研究綜述［J］.北京信息科技大學學報：自然科學版 ，2021，36（2）：38-45，51.（Cheng Long，Li Han.A review of recommendation algorithms based on matrix factorization［J］.Journal of Beijing Information Science amp; Technology University，2021，36（2）：38-45，51.）

［19］秦川，祝恒書，莊福振，等.基于知識圖譜的推薦系統研究綜述［J］.中國科學：信息科學，2020，50（7）：937-956.（Qin Chuan，Zhu Hengshu，Zhuang Fuzhen，et al.A survey on knowledge graph-based recommender systems［J］.Scientia Sinica（Informationis），2020，50（7）：937-956.）

［20］周萬珍，曹迪，許云峰，等.推薦系統研究綜述［J］.河北科技大學學報，2020，41（1）：76-87.（Zhou Wanzhen，Cao Di，Xu Yunfeng，et al.A survey of recommendation systems［J］.Journal of Hebei University of Science and Technology，2020，41（1）：76-87.）

［21］Wu Zonghan，Pan Shirui，Chen Fengwen，et al.A comprehensive survey on graph neural networks［J］.IEEE Trans on Neural Networks and Learning Systems，2020，32（1）：4-24.

［22］Kipf T N，Welling M.Semi-supervised classification with graph convolutional networks［EB/OL］.（2016-09-09）.https：//arxiv.org/abs/1609.02907.

［23］Zhang M，Chen Y.Link prediction based on graph neural networks［J］.Advances in Neural Information Processing Systems，2018，31：5165-5175.

［24］Zhang Shijie，Yin Hongzhi，Chen Tong，et al.GCN-based user representation learning for unifying robust recommendation and fraudster detection［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2020：689-698.

［25］Hamilton W L，Ying R，Leskovec J.Inductive representation learning on large graphs［C］//Proc of the 31st International Conference on Neural Information Processing Systems.2017：1025-1035.

［26］Velicˇkovic＇ P，Cucurull G，Casanova A，et al.Graph attention networks［EB/OL］.（2017）.https：//arxiv.org/abs/ 1710.10903.

［27］Tao Zhulin，Wei Yinwei，Wang Xiang，et al.MGAT：multimodal graph attention network for recommendation［J］.Information Processing amp; Management，2020，57（5）：102277.

［28］Fan Wenqi，Ma Yao，Li Qing，et al.Graph neural networks for social recommendation［C］//Proc of World Wide Web Conference.2019：417-426.

［29］Guo Zhiwei，Wang Heng.A deep graph neural network-based mechanism for social recommendations［J］.IEEE Trans on Industrial Informatics，2020，17（4）：2776-2783.

［30］Wang Jingjing，Xie Haoran，Wang F L，et al.Top-N personalized recommendation with graph neural networks in MOOCs［J］.Computers and Education：Artificial Intelligence，2021，2：10001.

收稿日期：2022-01-13；修回日期：2022-03-11基金項目：國家重點研發計劃資助項目（2018YFB1003802）

作者簡介：趙海燕（1975-），女，河南人，副教授，碩導，博士，主要研究方向為服務計算、數據挖掘、推薦系統；夏文宗（1998-），男（通信作者），江西南昌人，碩士研究生，主要研究方向為推薦系統、機器學習、數據挖掘（wenzongxia@gmail.com）；曹健（1972-），男，江蘇人，教授，博導，博士，主要研究方向為協同計算、服務計算、網絡計算、智能數據分析等；陳慶奎（1967-），男，黑龍江人，教授，博導，博士，主要研究方向為計算機集群、并行數據庫、并行理論、物聯網等．