基于圖注意力的異構圖社交推薦網絡

吳相帥　孫福振　張文龍　張志偉　王紹卿

摘 要：針對現有社交推薦算法忽視了用戶潛在關聯和項目之間的協作關系，提出了一個新的算法模型GATHGN（GAT based heterogeneous graph neural network），在該模型框架中對用戶關聯和項目關系統一建模。首先，挖掘用戶顯式社交關系、潛在關聯關系和用戶—項目關聯關系，從而提取用戶社交高階特征和潛在興趣高階特征；而后，基于圖注意力機制聚合上述兩種高階特征，逐層更新用戶融合特征；最后，依據更新的用戶融合特征與項目特征計算最終的推薦結果。在Yelp數據集和Flickr數據集上的實驗結果表明，GATHGN的命中率與歸一化折損累計增益較基線算法有顯著提升。

關鍵詞：推薦系統；圖注意力神經網絡；社交推薦；影響擴散

中圖分類號：TP391 文獻標志碼：A 文章編號：1001-3695（2023）10-030-3076-06

doi：10.19734/j.issn.1001-3695.2023.03.0085

GAT based heterogeneous graph neural network for social recommendation

Wu Xiangshuai，Sun Fuzhen，Zhang Wenlong，Zhang Zhiwei，Wang Shaoqing

（School of Computer Science & Technology，Shandong University of Technology，Zibo Shandong 255049，China）

Abstract：Aiming at the problem that the existing social recommendation algorithms ignore the potential association of users and the collaborative relationship between items，this paper proposed a new algorithm model GATHGN.This model framework unified modeled of user association and item relationship .Firstly，users mined explicit social relations，potential association relations and user-item association relations，so as to extract users social high-order characteristics and potential interest high-order characteristics.Then，the above two high-level features were aggregated based on the graph attention mechanism，and the user fusion features were updated layer by layer.Finally，the final recommendation results were calculated according to the updated user fusion characteristics and project characteristics.Experimental results on Yelp and Flickr data show that the HR and NDCG of GATHGN are significantly improved compared with the baseline algorithm.

Key words：recommendation system；graph attention neural network；social recommendation；influence diffusion

0 引言

互聯網融合在生活的方方面面，為更好地給用戶提供優質且貼切的互聯網信息，推薦算法越發被學術界與工業界所關注［1］。在以往的推薦算法中，為學習到精確的用戶特征和項目特征，學者常使用矩陣分解［2］或者協同過濾［3］的方式。近年來，有學者將用戶之間的社交關系納入推薦算法［4］，緩解了推薦算法存在的數據稀疏問題，提高了推薦性能。用戶與用戶之間的社交行為和用戶與項目之間的興趣行為是社交平臺的核心，社交推薦系統的研究重點在于如何學習社交關系和評分信息對用戶特征和項目特征的影響［5～7］。

圖神經網絡與傳統深度學習相比，在處理非結構化數據時更加出色［8］，使用圖神經網絡可以輕易地表示出社交網絡［9］。早先基于圖神經網絡的社交推薦模型將社交信息建模為靜態信息［10］。一些學者認為社交信息是基于人際關系和項目交互匯集而成的信息，是一種動態的傳播信息，從而設計了動態的社交網絡，使得所構建的模型更加逼真［11］。這些方法通過社交網絡模擬真實世界中的用戶社交關系，進而挖掘用戶的偏好，在一定程度上提升了推薦算法的性能。然而，用戶興趣通常受到多方面信息的共同影響。

最近，有學者將用戶行為定義為具有兩個圖的異構網絡，即用戶—用戶社交圖與用戶—項目興趣圖，并利用注意力機制探索，將這兩個圖在統一的框架中建模［12，13］。在模擬社交影響擴散和興趣影響擴散的同時，計算兩個異構圖對聚合用戶特征的影響力分數，使得生成的用戶特征更符合實際特征。然而這種方法僅對用戶直接好友建模社交網絡，未能挖掘用戶間潛在關聯關系對用戶興趣的影響，如用戶直接好友的好友，即用戶間接好友，還有與用戶交互過同一項目的好友。此外，在異構圖網絡上執行信息的傳遞忽視了不同異構圖作為不同的信息來源反映了不同方面的用戶潛在偏好，現有推薦算法沒有考慮直接社交和間接社交關系對用戶產生影響的差異性。

針對上述問題，本文提出了一個基于圖注意力機制的異構圖神經網絡模型。如圖1所示，本文將用戶行為定義為四個異構圖，分別是基于社交信息的用戶直接好友圖、用戶間接好友圖、用戶基于項目的好友圖和基于用戶—項目交互信息的用戶—項目興趣圖。此外，本文還設計了一個多級注意力網絡結構學習各個異構圖網絡和其節點信息對聚合用戶特征的影響力，使模型在一個統一的框架中對來自不同異構網絡圖的擴散信息進行建模以刻畫用戶融合特征。

本文提出了GATHGN，它在四類異構圖中模擬用戶社交影響傳播和用戶興趣影響傳播，以探索具有高階相關性的用戶與項目關系；為了更加了解用戶對于各個圖源的不同偏好，設計了一個多級注意力網絡以更好地聚合來自各個圖源的信息。

1 相關工作

1.1 社交推薦

在社交推薦算法中，用戶與項目的交互數據通常是稀疏的，導致傳統基于協同過濾的推薦算法難以取得一個好的結果。社交行為是人們不可避免的行為，有學者將社交關系納入了推薦算法并取得了良好的效果。SoRec［4］提出了一種基于概率矩陣，分析用戶社交信息和評分記錄對用戶興趣產生的影響，巧妙地將社交信息融入到傳統推薦算法中。SocialMF［14］將基于社交網絡的信任傳播機制融入到推薦算法中，取得了一定的提升，證明用戶的潛在興趣在一定程度上受到社交鄰居興趣的影響。TrustSVD［15］提出評級和信任信息不僅顯式地對用戶興趣產生影響，也對用戶產生隱式的影響，通過對顯式影響和隱式影響建模，顯著地提高了推薦的準確性。

上述傳統社交推薦算法通過建模用戶矩陣信息提取用戶對項目的興趣，進而提高推薦算法性能。然而它們僅對用戶特征進行了基礎的建模，未能學習到用戶的深層特征。為此，本文使用矩陣分解的方式，生成初始的用戶特征和項目特征作為圖神經網絡的輸入信息。

1.2 圖卷積神經網絡推薦

圖神經網絡在各個領域取得了巨大的成功［16～18］，這證明使用圖結構進行深度學習是有效的，然而圖神經網絡難以提取節點間的隱性關系，以獲得更深層的用戶特征。圖卷積神經網絡通過卷積操作將節點與鄰域的信息進行遞歸傳遞。許多工作將用戶—項目交互信息視為圖結構，并應用圖卷積神經網絡建模獲得了成功［19，20］。在社交推薦中，用戶與社交鄰居的交互和用戶與項目的交互可以很自然地被描述為用戶—用戶圖和用戶—項目圖。GraphRec［10］使用圖卷積神經網絡聚合目標節點的一階社交鄰居和一階項目鄰居，使節點信息在圖上進行傳播。NGCF［21］使用圖卷積神經網絡遞歸地傳遞節點信息來更新用戶特征和項目特征。DiffNet［11］提出了一個基于信任傳播的多層圖卷積神經網絡，它直觀地模擬了社交活動中的信任傳遞過程。DESIGN［22］認為社交關系可以反映用戶偏好的相似性，但是分別對社交圖和用戶—項目圖建模會得到兩個具有不同特征的模型，因此它訓練了一個集成用戶社交圖與用戶—項目圖的模型，并為各圖單獨訓練一個輔助模型，通過知識蒸餾的方式限制模型的訓練過程并使這些模型相互學習。

現階段圖卷積神經網絡推薦算法對用戶直接交互的用戶與項目進行建模，忽視了用戶潛在關聯和項目聯系對用戶的影響。本文對用戶直接關聯、用戶間接關聯、用戶基于項目的關聯與用戶—項目關聯進行建模，以此提取用戶社交高階特征與潛在興趣高階特征，從而提高算法的準確度。

1.3 圖注意力網絡推薦

注意力機制能夠從全局的角度具體分析信息中每一個部分對全局的影響，從而為不同部分的信息分配不同的影響力系數，這也引起了推薦算法領域學者的興趣［23，24］。在社交推薦算法中，已經提出了很多基于注意力機制的模型［12，25］。DiffNet++［13］使用多級注意力機制，分別計算鄰居節點參與聚合的影響力分數與圖信息參與聚合的影響關系，以更好地聚合用戶特征和項目特征。SCGREC［26］聚合社交信息和游戲參與信息，以探索更多的相似鄰居。DICER［7］將用戶間的社會關系與協作相似性以及項目之間的協作關系視為深層上下文關系，以此模擬用戶與項目層面的影響力，并設計了一個關系感知神經網絡，對用戶和朋友的興趣進行建?！，F有推薦算法僅學習用戶社交圖和用戶—項目交互圖，未學習用戶潛在關聯對聚合用戶特征的影響力，且忽視了不同圖源與節點對用戶興趣產生不同的影響。本文設計了一種多級注意力網絡聚合異構社交網絡信息，它包含節點注意力層和圖注意力層，分級學習用戶社交鄰居影響力和社交異構圖網絡與用戶興趣圖網絡的影響力。

2 算法

上述方程展示了如何利用社交網絡聚合特征hk+1Sa、hk+1Fa、hk+1Ua與用戶—項目興趣網絡聚合特征qk+1a以及前一層社交網絡聚合特征hkSa、hkFa、hkUa來分別更新三類社交網絡的潛在特征，同時更新k+1層的用戶特征hk+1a。其中αk+1Sab、αk+1Fab、αk+1Uab分別表示在三類社交網絡GS、GF、GU在第k+1層中對用戶a的社交影響力，βk+1ai表示項目i在用戶—項目興趣網絡GI的第k+1層對用戶a的吸引力。為了學習來自不同類型圖源的信息對用戶特征產生的影響，本文使用多層注意力網絡來對注意力權重進行建模。節點間的社交影響力權重αk+1Sab、αk+1Fab、αk+1Uab計算如下：

2.2.4 預測層

按照上述過程擴散k層后，本文獲得了用戶和項目的特征集。對于每個用戶a，其最終特征ha=［h0a‖h1a‖…‖hKa］。同樣，對于每個項目i，它的最終特征va=［v0a‖v1a‖…‖vKa］。之后，將最終的用戶特征和項目特征的內積建模為預測評分：

中：R+表示正樣本集（真實的用戶—項目對）；R-表示負樣本集（從R中隨機采樣的真實并不存在的用戶—項目對）；σ（x）是sigmoid函數；Θ=［Θ1，Θ2］是本文模型中使用的正則化參數，Θ1=［P，Q］是在融合層使用的參數集，Θ2=［WS，WF，WU，WI，［MLPi］i=1，2，3，4，5，6，7，8，9］是計算多級注意力時使用的參數集。

本文使用均值為0、標準差為0.01的高斯分布對實驗中所有可以參與訓練的參數進行初始化。將在實驗部分進行詳細說明。

2.4 算法框架

本文算法具體執行流程如下。

算法 GATHGN

輸入：用戶社交關系矩陣S、F、U；用戶—項目信息的矩陣R；網絡層數l；訓練批次p。

輸出：經算法計算后得到的用戶a的top-k推薦。

begin

根據式（1）～（4）計算矩陣S、F、U和R，得到用戶a的三類社交網絡的融合特征h0Sa、h0Fa、h0Ua和項目i的融合特征v0i；

訓練網絡參數：

for i=1～p do

for k=1～l do

根據式（7）（8）計算節點鄰居注意力權重；

根據式（5）（6）更新節點特征值；

根據式（20）～（25）計算三類用戶社交網絡與用戶興趣網絡對用戶特征的注意力權重；

根據式（17）～（19）計算三類用戶社交網絡中用戶節點聚合的鄰居的注意力權重；

根據式（9）～（11）（13）～（16）更新用戶在三類社交網絡中的用戶特征；

根據式（12）更新每一層用戶特征的輸出；

end for

end for

將每一層的用戶特征拼接生成最終的用戶特征ha，將每一層的項目節點的特征拼接生成最終的項目特征va；

通過最終的用戶特征與最終的項目特征進行內積，計算得到推薦分數；

end

3 實驗

3.1 實驗設置

3.1.1 數據集選取

本文選取了Yelp和Flickr兩個公開的數據集以評估本文算法。其中，Yelp數據集是一個用于個人、教育和學術目的的開放數據集，用戶可以根據自己在各類商戶游歷后的感受，對商戶進行打分，分數在0～5分，還可以發表評論并與朋友分享經歷和感受等；Flickr數據集是一個由社交分享平臺收集的數據集，用戶在該社交平臺上通過相互點贊、分享圖片的形式來展現他們的愛好。

上述兩個數據集是具有用戶和項目屬性的數據集，經過對其內容進行預處理后應用到本文模型中。具體來說，將其原始分值轉換為二進制，若原評分大于3，將其轉換為1，否則等于0。對于上述兩個數據集，本文將評分記錄少于2條或者社交關系少于2條的用戶剔除，并將被評分次數少于2次的項目剔除。接下來隨機抽取10%的數據用做測試，在剩下的90%的數據中，將其中的10%作為驗證集，余下的項目作為訓練集。表1顯示了兩個數據集的特征。

3.1.2 評價標準設置

本文采用在top-k推薦中經典的命中率（hits ratio，HR）和歸一化折損累計增益（normalized discounted cumulative gain，NDCG）兩個評價指標。這兩個指標在評判時，其數值越大代表著算法的性能越好。其中，命中率表現的是top-k推薦列表中被正確推薦的項目所占百分比，而歸一化折損累計增益則強調的是哪些項目排名更靠前。為了評估本文算法的性能，與一些經典算法所做的工作類似，在每次訓練過程中，為用戶隨機選取1 000個未與其進行過交互的項目作為負樣本，然后將與用戶交互過的項目作為正樣本，并將其與負樣本相混合，而后在其中選取前N個作為潛在的用戶所喜歡的項目。同時為了降低這個過程中存在的不確定因素，需要重復該過程10次并取其平均值作為排名結果。

3.1.3 對比實驗分析

為了驗證本文算法的有效性，將本文算法與一些經典算法以及社交推薦領域最新研究成果的算法進行了比較。其中包括經典的基于社交矩陣信息的SociaMF［14］和TrustSVD［15］算法，以及以圖神經網絡為基礎的社交推薦算法NGCF［21］和GraphRec［10］，還有基于社交影響力動態擴散建模的DiffNet［11］和DiffNet++［13］算法與基于知識蒸餾的蒸餾增強型社交網絡DESIGN［22］。

3.1.4 參數設置

在具體實驗中，依據文獻［13］所描述的最優參數，將潛在的特征維度D的值設置為16、32和64，正則化參數設置為0.001，批處理的大小設置為512。對［0.01，0.001，0.000 5］范圍的學習率分別進行多次實驗后，將Yelp和Flickr數據集的學習率分別設置為0.001與0.000 5，并選用Adam優化器對本文算法進行優化。

3.2 對比實驗性能比較

表2、3展示了所有參與對比實驗的模型的實驗結果。可以看出，相較于基于矩陣信息的推薦算法SoicalMF和Trust-SVD，使用圖神經網絡的算法GraphRec、NGCF、DiffNet和DiffNet++在推薦性能上都有一定的提升，這證明了圖神經網絡應用于推薦的有效性。傳統的應用圖神經網絡的推薦算法僅對節點間的顯示關系進行建模，未深層挖掘節點間的高階結構關系。DiffNet和DiffNet++捕捉到用戶社交影響力和興趣影響力的動態擴散信息，使得它們的算法更貼切實際的社會互動，從而獲得了更優異的性能。DESIGN訓練了一個集成用戶社交圖與用戶—項目圖的主模型，并分別為兩個圖訓練一個輔助模型，利用知識蒸餾的方式，使得模型間互補知識，從而在推薦性能上取得進一步提升。本文模型在顯式社交關系的基礎上，挖掘出深層的用戶關聯，并基于社交影響力和興趣影響力，對用戶社交關聯與項目關系進行統一建模。在信息傳遞過程中基于注意力機制融合、更新每一層的潛在特征，使得算法進一步貼近現實。在對比實驗中，本文算法GATHGN總是優于基線代碼。

3.2.1 模型維度影響分析

圖3展示了GATHGN與最優基線算法在不同的維度D下進行top-10推薦的性能。由圖可見，本文算法隨著特征維度的增加，性能不斷獲得提升，且在多數實驗維度下都優于基線代碼。在維度D=16時，GATHGN較最優基線算法在推薦性能上提升幅度較低，而隨著維度的增加，GATHGN的推薦性能相較于最優基線算法顯著提高。其原因在于，基于多層注意力結構的算法，在更大的維度上得以更細致地學習來自各方面信息的影響力，降低因聚合鄰居信息帶來的噪聲，從而使得聚合的用戶特征更加貼近實際，而在低維度上難以利用注意力機制學習到更多有效的信息，故在低維度上性能相對不佳，但較基線算法仍有一定提升。

3.2.2 模型性能分析

圖4展示了在維度D=64下top-10的性能，可以看出本文模型GATHGN在整體上都取得了最優的效果，證明了GATHGN在相對高維度上，相較于基線模型有大幅度提升。值得注意的是，通過表3可以發現，相較于Flickr數據集，在數據更為稀疏的Yelp數據集上，GATHGN具有更好的推薦性能。且對于多數基線模型，GATHGN在top-5推薦時的提升最大，同時NDCG的提升普遍高于HR的提升，這說明基于多層注意力結構的GATHGN更傾向于將用戶感興趣的項目排在推薦序列靠前的位置，算法的推薦結果更符合現實的用戶需求。

3.2.3 注意力價值分析

表4展示了來自不同圖源的信息在第k層對聚合用戶特征的影響力平均值，其中γkSa表示直接用戶社交圖的權重，γkFa表示間接朋友社交圖的權重，γkUa表示交互同一項目的用戶的社交圖權重，γka表示用戶—項目興趣圖的權重。值越大，說明該值代表的圖源信息在第k層參與聚合時對用戶特征的影響力更大，而來自其他圖源的信息對聚合用戶特征的影響力相對較小。本文模型在k=2時獲得了最佳性能，故而展示k=1和2兩個傳播層。

觀察圖5可以看到，對于Yelp數據集，項目關聯用戶的影響力γkUa在k=1和2兩個傳播層都有較高影響力，說明項目關聯用戶在每一層聚合用戶特征時起著重要的作用。其次，在k=2傳播層，項目關聯用戶的影響力γkUa相對在k=1傳播層有大幅度削弱，同時直接社交用戶影響力γkSa與間接朋友影響力γkFa有大幅度的提升，表明項目關聯用戶在k=2傳播層對于聚合用戶特征的影響力比重降低，而直接社交用戶和間接朋友對聚合用戶特征有了更大的影響。這可能是因為項目關聯用戶在聚合后引入了噪聲，而直接社交朋友和間接社交朋友因更貼切實際社交影響從而占了更大的影響力。對于Flickr數據集，直接好友關聯γkSa有著更強的影響力。同樣，在k=2傳播層，γkSa相對下降，γkFa與γkUa影響力占比上升。綜上可以看出，基于多級注意力結構的GATHGN算法對不同的數據集更具有普適性。

4 結束語

本文提出一種新的模型GATHGN，將用戶直接好友關聯、用戶間接好友關聯、用戶基于項目關聯與項目關系統一建模，以聚合用戶間的高階影響力與高階用戶興趣，從而逐層更新用戶特征。此外，本文設計了多級注意力網絡以降低來自不同節點和圖源的信息中的噪聲，聚合對用戶更具有影響力的信息。在兩個真實數據集上的優異成績證明了本文模型的有效性。下一步，為更好地利用用戶或項目之間的相鄰關系，將引入對比學習增強模型區分不同用戶節點和圖源信息對聚合用戶特征的差異性的能力，從而提升模型的推薦性能與泛化能力。

參考文獻：

［1］趙夢媛，黃曉雯，?；w，等.對話推薦算法研究綜述［J］.軟件學報，2022，33（12）：4616-4643.（Zhao Mengyuan，Huang Xiaowen，Sang Jitao，et al.Survey on conversational recommendation algorithms［J］.Journal of Software，2022，33（12）：4616-4643.）

［2］Koren Y，Bell R，Volinsky C.Matrix factorization techniques for recommender systems［J］.Computer，2009，42（8）：30-37.

［3］Resnick P，Iacovou N，Suchak M，et al.GroupLens：an open architecture for collaborative filtering of netnews［C］//Proc of ACM Confe-rence on Computer Supported Cooperative Work.New York：ACM Press，1994：175-186.

［4］Ma Hao，Yang Haixuan，Lyu M R，et al.SoRec：social recommendation using probabilistic matrix factorization［C］//Proc of the 17th ACM Conference on Information and Knowledge Management.New York：ACM Press，2008：931-940.

［5］Wu Jiahao，Fan Wenqi，Chen Jingfang，et al.Disentangled contrastive learning for social recommendation［C］//Proc of the 31st ACM International Conference on Information & Knowledge Management.New York：ACM Press，2022：4570-4574.

［6］Song Changhao，Wang Bo，Jiang Qinxue，et al.Social recommendation with implicit social influence［C］// Proc of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2021：1788-1792.

［7］Fu Bairan，Zhang Wenming，Hu Guangneng，et al.Dual side deep context-aware modulation for social recommendation［C］//Proc of Web Conference.New York：ACM Press，2021：2524-2534.

［8］蔡瑞初，吳逢竹，李梓健.基于圖生成過程的跨領域推薦［J］.計算機應用研究，2022，39（8）：2333-2339.（Cai Ruichu，Wu Fengzhu，Li Zijian.Cross-domain recommendation under graph generation process ［J］.Application Research of Computers，2022，39（8）：2333-2339.）

［9］Sharma K，Lee Y C，Nambi S，et al.A survey of graph neural networks for social recommender systems ［EB/OL］.（2022-12-12）.https：//arxiv.org/abs/2212.04481.

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

［11］Wu Le，Sun Peijie，Fu Yanjie，et al.A neural influence diffusion mo-del for social recommendation［C］//Proc of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2019：235-244.

［12］Song Yuzhi，Ye Hailiang，Li Ming，et al.Deep multi-graph neural networks with attention fusion for recommendation［J］.Expert Systems with Applications，2022，191（C）：116240.

［13］Wu Le，Li Junwei，Sun Peijie，et al.DiffNet+：a neural influence and interest diffusion network for social recommendation［J］.IEEE Trans on Knowledge and Data Engineering，2020，34（10）：4753-4766.

［14］Jamali M，Ester M.A matrix factorization technique with trust propagation for recommendation in social networks［C］// Proc of the 4th ACM Conference on Recommender Systems.New York：ACM Press，2010：135-142.

［15］Guo Guibing，Zhang Jie，Yorke-Smith N.TrustSVD：collaborative filtering with both the explicit and implicit influence of user trust and of item ratings［C］//Proc of the 29th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2015：123-129.

［16］Lin Zihan，Tian Changxin，Hou Yupeng，et al.Improving graph colla-borative filtering with neighborhood-enriched contrastive learning［C］//Proc of ACM Web Conference.New York：ACM Press，2022：2320-2329.

［17］Pan Zhiqiang，Cai Fei，Chen Wanyu，et al.Graph co-attentive session-based recommendation［J］.ACM Trans on Information Systems，2021，40（4）：article No.67.

［18］張程東，王紹卿，劉玉芳，等.采用新型元路徑的異構圖表示學習方法［J］.計算機科學與探索，2023，17（7）：1680-1689.（Zhang Chengdong，Wang Shaoqing，Liu Yufang，et al.A method of heterogeneous graph representation learning using novel meta-path［J］.Journal of Frontiers of Computer Science and Technology，2023，17（7）：1680-1689.）

［19］徐上上，孫福振，王紹卿，等.基于圖神經網絡的異構信任推薦算法 ［J］.計算機工程，2022，48（9）：89-95，104.（Xu Shangshang，Sun Fuzhen，Wang Shaoqing，et al.Heterogeneous trust recommendation algorithm based on graph neural networks［J］.Computer Engineering，2022，48（9）：89-95，104.）

［20］孫開偉，劉松，杜雨露.基于屬性圖注意力網絡的電影推薦模型［J］.計算機科學，2022，49（S2）：294-301.（Sun Kaiwei，Liu Song，Du Yulu.Movie recommendation model based on attribute graph attention network［J］.Computer Science，2022，49（S2）：294-301.）

［21］Wang Xiang，He Xiangnan，Wang Meng，et al.Neural graph collaborative filtering［C］//Proc of the 42nd International ACM SIGIR Confe-rence on Research and Development in Information Retrieval.New York：ACM Press，2019：165-174.

［22］Tao Ye，Li Ying，Zhang Su，et al.Revisiting graph based social recommendation：a distillation enhanced social graph network［C］//Proc of ACM Web Conference.New York：ACM Press，2022：2830-2838.

［23］孫偉，陳平華，熊建斌，等.基于雙端知識圖的圖注意推薦模型［J］.計算機工程與應用，2022，58（20）：141-147.（Sun Wei，Chen Pinghua，Xiong Jianbin，et al.Graph attention recommendation model based on dual-end knowledge graph［J］.Computer Engineering and Applications，2022，58（20）：141-147.）

［24］榮沛，蘇凡軍.基于知識圖注意網絡的個性化推薦算法［J］.計算機應用研究，2021，38（2）：398-402.（Rong Pei，Su Fanjun.Perso-nalized recommendation algorithm based on knowledge graph attention network［J］.Application Research of Computers，2021，38（2）：398-402.）

［25］Wu Qitian，Zhang Hengrui，Gao Xiaofeng，et al.Dual graph attention networks for deep latent representation of multifaceted social effects in recommender systems［C］//Proc of World Wide Web Conference.New York：ACM Press，2019：2091-2102.

［26］Yang Liangwei，Liu Zhiwei，Wang Yu，et al.Large-scale personalized video game recommendation via social-aware contextualized graph neural network［C］//Proc of ACM Web Conference.New York：ACM Press，2022：3376-3386.

收稿日期：2023-03-27；修回日期：2023-04-28 基金項目：國家自然科學基金資助項目（61841602）；山東省自然科學基金資助項目（ZR2020MF147）

作者簡介：吳相帥（1997-），男，山東濟南人，碩士研究生，CCF會員，主要研究方向為推薦系統；孫福振（1978-），男（通信作者），山東淄博人，碩導，博士，CCF會員，主要研究方向為計算機視覺、數據挖掘和數據分析等（sunfuzhen@sdut.edu.cn）；張文龍（1999-），男，山東淄博人，碩士研究生，主要研究方向為推薦系統；張志偉（2000-），男，山東東營人，碩士研究生，主要研究方向為推薦系統；王紹卿（1981-），男，碩導，博士，CCF會員，主要研究方向為推薦系統、數據挖掘等．