结合异构关系增强图神经网络的社交推荐

王永贵，时启文

结合异构关系增强图神经网络的社交推荐

王永贵，时启文*

（辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105）（ ∗ 通信作者电子邮箱1942705048@qq.com）

社交推荐旨在利用用户的社会属性推荐潜在的感兴趣项目，有效缓解了数据稀疏性和冷启动问题。然而现有的社交推荐算法主要面向单一社交关系进行研究，社会属性难以充分参与计算，存在未能合理利用社会异构关系和节点特征表示质量不高的问题，为此提出一种结合异构关系增强图神经网络的社交推荐模型（HR-GNN）。HR‑GNN利用图卷积网络（GCN）聚合用户和项目节点信息，生成查询嵌入以查询节点信息；通过将抽样概率与邻居节点之间的一致性分数相结合的邻居抽样策略挖掘社会异构关系；用自注意力机制聚合节点信息以提高用户和项目特征表示的质量。在两个真实数据集上进行的实验结果表明，所提算法在平均绝对误差（MAE）和均方根误差（RMSE）两个指标上相较于基准算法均有明显改进，在Ciao数据集上它们分别至少降低了1.80%和1.35%，在Epinions数据集上则分别至少降低了2.80%和3.18%，验证了HR-GNN的有效性。

社交推荐；图卷积网络；邻居抽样；注意力机制；网络嵌入

0 引言

推荐系统旨在为目标用户推荐潜在的感兴趣项目，可以带来巨大的商业利益。然而，由于数据量大、信息复杂等原因造成收集数据的成本过高，且用户和项目有效交互数据稀疏，推荐性能并不理想。为提高推荐的精度，许多模型利用社交网络来合并更多有用的信息，比如，把用户的好友或信任等关系［1］作为辅助信息与用户-项目交互相融合，以提高推荐性能并解决冷启动和数据稀疏性问题，这被定义为社交推荐。

如今，许多平台将项目推荐和社交网络服务（Social Network Service， SNS）集成在一起，这些平台上的用户可以单击项目或对项目进行评分以及与朋友互动。因此，研究社交网络以提高推荐质量的问题得到了广泛关注。目前，推荐系统融合社交信息的核心挑战是：如何将用户-用户交互关系结合到协同过滤场景中，并在用户和项目之间进行交互式学习。传统的社交推荐方法在利用用户的社交信息对矩阵分解框架进行正则化方面取得了重要进展［2］，它通过分析用户和项目的互动关系，把用户-项目评分矩阵分解成两个低秩矩阵，得出用户偏好并完成推荐，但并没有较好地解决数据稀疏性问题。随着深度学习技术的兴起，探索图神经网络（Graph Neural Network， GNN）［3-6］结构以增强信息利用的推荐模型得到广泛研究，它将用户-用户社交关系和用户-项目评分数据用图结构来表示以挖掘用户和项目交互关系。

图1　异构关系交互示意图

本文的主要工作如下：

1）分析用户和项目的多样性，利用图卷积网络（Graph Convolutional Network， GCN）聚合用户和项目的节点信息，学习用户和项目表征，以构造查询嵌入模块查询关系一致性邻居节点。

2）采用邻居抽样策略选择用户和项目的一致性邻居节点来挖掘社会异构关系，并通过自注意力（self-attention）机制聚合上下文关系一致的信息加强节点特征表示。

3）在两个真实数据集上进行实验，结果表明，HR-GNN优于基准方法，验证了HR-GNN模型的有效性。

1 相关工作

1.1　基于深度学习的社交推荐模型

随着深度学习技术的兴起，开发基于神经网络的社交推荐得到广泛关注。将深度学习技术应用到推荐系统中，可以从用户-项目交互信息中提取更多的隐藏信息［9-10］。比如Bahdanau等［11］引入转移神经网络对社交领域和项目领域之间的相互作用进行建模，能捕获复杂的非线性信息；Wu等［12］通过用户嵌入的分层传播，用神经扩散来近似用户之间的社会影响力，有效捕捉了高阶用户关系和潜在特征。但是这些方法没有区分社会影响力强度，将朋友关系看作同等影响力，会导致用户偏好出现偏差。之后Chen等［13］将神经网络与注意力相结合，提出了一个两阶段注意力框架捕捉用户之间的关系，并动态地衡量用户好友的社会影响力强度。EATNN（Efficient Adaptive Transfer Neural Network）［14］在注意力的基础上，通过迁移学习自适应地学习用户偏好关系。上述方法在评分预测方面取得了显著效果，但是推荐系统中的大部分数据本质上可以视为图数据，GNN具有强大的图表分析能力，更适用于分析网络数据和社会依赖关系，且GNN的信息传播和更新机制与社交网络中的社会影响关系十分相近，因此最近的研究开始将GNN引入基于社交关系的推荐系统中。

1.2　基于GNN的社交推荐模型

GNN是一种从卷积神经网络（Convolutional Neural Network， CNN）和图嵌入思想的启发中拓展出的新型神经网络，可以通过节点间的消息传播捕捉图上的依赖关系，即迭代聚合邻域信息，并整合聚合后的信息与当前节点的表示［15-17］。早期的基于GNN的研究方法主要集中在一阶邻居的建模影响上，例如，GraphRec［18］分别在社交图和用户-项目图提取用户和项目特征，以全面了解用户和项目的嵌入；最近的研究探索了高阶影响，例如，DiffNet++［19］将推荐任务转化为一个以社交网络和兴趣网络为输入的异构图，结合多层注意力和GCN来学习节点嵌入；Danser［20］加入图注意力（Graph ATtention， GAT）采用遗传算法学习用户/项目的静态和动态嵌入向量。然而，这些方法不能有效地处理信息多样性问题，在现实生活中，社交关系和用户对项目的评分是动态变化的，为了解决这一问题，Luo等［21］通过堆叠Rec-conv层动态地提取和融合社交关系、用户评分和项目评分因素，并利用注意力聚合用户和项目多样性信息；Xu等［22］重构GNN捕捉用户关系的局部和全局上下文信息，从用户-项目交互中自动提取多关系协同信息。

尽管上述解决方案取得了显著成效，但并未考虑社会异构关系对用户偏好的影响。针对此问题，受文献［21-25］工作的启发，提出HR-GNN模型，通过GCN聚合多样性社交因素，构建查询方法区分上下文关系一致的邻居节点，加强对节点信息的学习能力，并利用邻居抽样和自注意力为邻居节点分配重要度因子，增强模型的学习能力，进而提高推荐性能。

2 HR⁃GNN模型

2.1　符号定义

2.2　模型概述

图2　HR-GNN模型框架

2.3　图卷积层

2.3.1用户特征

1）用户社交向量。

通过应用GCN在社交图中传播节点信息提取用户社交关系得到社交向量，它的形式可定义为：

其中：是第l层的用户编码表示；是要提取的用户社交因素；表示非线性激活函数；是特定层的线性变换矩阵；是邻接矩阵；是单位矩阵；是有自连接的邻接矩阵；表示的对角节点度矩阵，采用对称归一化策略，通过运算进行邻域信息聚合。经过图卷积计算，可以将用户邻居的影响力聚集到目标社会因素中。

2）用户评分向量。

3）对用户特征的聚合。

2.3.2项目特征

在生成项目的潜在向量时，不仅要考虑项目自身的嵌入情况，还要考虑用户对项目的评分因素。

1）项目评分向量。

项目评分向量聚合了项目的历史评分，与第2.3.1节中的用户评分向量类似，采用了通道的GCN滤波器对个不同的评分值进行聚合。第一个通道的项目评分向量为：

2）对项目特征的聚合。

综上所述，在每个Rec-conv层中，动态地将用户社交向量、用户评分向量、项目评分向量聚集到用户嵌入和项目嵌入中，可以有效获取用户和项目的多样化信息。

2.4　查询层

2.5　邻居抽样层

2.6　注意力层

2.7　评分预测层

2.8　算法流程

算法1 HR-GNN学习过程。

1）初始化神经网络中的各种参数

2） for每次迭代过程do

7） End for

8） 根据式（11）～（13）更新用户和项目嵌入向量

10） End for

第1）行初始化模型的各种参数；在每次迭代训练中分构造信息和更新信息两个阶段，第3）～7）行构造节点信息，第8）行分析节点间异构关系并更新节点信息；第9）行计算评分预测值。

3 实验与结果分析

3.1　实验设置

3.1.1数据集及预处理

HR-GNN使用了两个真实数据集。数据集中的数据分别从流行的消费者评论网站Ciao［18］和Epinions［24］收集，这两个数据集中的用户可以对项目进行评分、浏览、评论。不同的推荐系统中，评分值的设定不同，本文根据Ciao和Epinions的设置，将评分值设定为｛1，2，3，4，5｝，评分越高表示越喜欢。在数据处理过程中，删除了没有社交关系的用户。表1列出了数据集有关统计项目的内容。

表1　数据集统计结果

3.1.2评价指标

HR-GNN模型采用平均绝对误差（Mean Absolute Error， MAE）和均方根误差（RMSE）作为实验结果的评价指标。

MAE用于评估推荐系统预测的评级与用户给出的评级之间的差异，公式如下：

RMSE用于计算评级预测中较大误差之间的差异，计算公式如下：

3.1.3参数设置

HR-GNN在Python库PyTorch2的基础上实现了本文方法。对于每个数据集，使用%作为学习参数的训练集，使用（1-%）/2作为验证集来调整超参数，并使用（1-%）/2作为最终性能比较的测试集，其中取值为｛60，80｝，实验过程选择使用60%作为训练集；分别在｛8，16，32，64，128，256｝和｛32，64，128，256，512｝范围内选择嵌入维度大小和训练批次大小；学习率设定为0.000 5，激活函数使用ReLU，堆叠两层Rec-conv（包含GCN结构和ReLU激活函数）。在所有实验中都使用了提前终止策略，即如果验证集上的RMSE在5轮之内没有改善，则停止训练。对于所有的神经网络方法，采用高斯分布随机地初始化模型参数，其中均值和标准差分别为0和0.1。对于基线模型，按照原文献中的说明调整超参数，并记录最佳结果。

3.2　对比模型和性能评估

3.2.1对比模型

为了验证模型的有效性，将HR-GNN与最具代表性的方法进行对比，对比模型包括传统推荐算法和基于深度学习的推荐算法。

1）传统推荐算法。PMF［27］、SocialMF［28］和SoReg［2］是基于矩阵分解的传统推荐算法：PMF是传统矩阵分解算法，SocialMF和SoReg是加入社会关系正则化的社交推荐算法。

2）基于深度学习的推荐算法。包括基于注意力机制的算法（SAMN［13］、EATNN［14］）和基于GNN的算法（GraphRec［18］、Danser［20］、ASR［21］、ConsisRec［23］）。

本文模型不涉及与TOP-推荐方法的比较，例如DiffNet，因为TOP-推荐的目标是为用户检索或排名个项目，而不是直接预测用户-项目评分值。

1）PMF：基于矩阵分解的模型，通过高斯分布对用户和项目的隐因子进行建模，突破了传统协同过滤的限制。

2）SoReg：利用社会正则化将社交网络信息建模为正则化项，以约束矩阵因式分解框架，解决了信任感知问题。

3）SocialMF：将信任关系融入矩阵分解架构中，捕捉推荐场景中的社交现象。

4）SAMN：将神经网络与注意力相结合，提出了一个两阶段注意力框架捕捉用户之间的关系，并动态地衡量用户好友的社会影响力强度。

5）EATNN：该方法建立在基于注意力的转移神经网络的基础上，通过迁移学习自适应地捕捉社会领域和项目领域之间的相互作用关系。

6）GraphRec：初次考虑将注意力机制与GNN相结合来学习社交图和用户-项目图中的用户和项目嵌入，并结合一阶邻居获取节点信息。

7）Danser：首次使用成对的图注意力（GAT）捕获用户/项目的动态或者静态特征，实现了动态和静态特征的融合。

8）ASR：提出利用GCN和注意力机制分析用户和项目特征的多样性，并将这些特征聚合到用户和项目嵌入向量中。

9）ConsisRec：构造异构图捕获全局上下文信息，突破了捕捉高阶信息的限制，并强调了节点关系的重要性。

3.2.2性能评估

为保证实验结果的稳定性，对于本文HR-GNN模型进行5次训练、验证之后取均值作为实验结果，结果如表2所示，表现最好的结果用粗体标出。

表2　HR-GNN模型运行5次的均值结果

将HR-GNN模型与基线模型在Ciao和Epinions两个数据集上进行对比实验，结果如表3所示，表现最好的结果仍用粗体标出，次优结果用下画线表示。

分析表3中的实验数据得出以下结论：

SocialMF和SoReg将社交图作为附加信息，把社会关系与矩阵分解相结合，取得的效果比未考虑社会关系的传统矩阵分解算法PMF更优。对这两类模型进行比较，验证了社交图作为辅助信息可以提高推荐性能。

SAMN和EATNN模型引入了注意力机制，利用注意力衡量用户好友的影响力，两者性能优于仅考虑社会关系的SocialMF和SocReg模型。这两类模型的对比，验证了社会影响力强度的重要性。另外，EATNN引入了迁移学习，自适应地学习用户偏好关系，它的性能优于SAMN。

将使用注意力机制的模型（SAMN、EATNN）和基于GNN的模型（GraphRec、Danser、ASR、ConsisRec）进行对比，后者的推荐性能明显优于前者。这揭示了使用加权求和聚集高阶依赖的局限性，表明GNN在分析社交依赖关系方面更占优势。

ConsisRec模型考虑了节点间关系的异构型，比将社会关系看成同等重要度的GraphRec模型和考虑高阶节点关系的Danser模型效果更好。

ASR分析了节点交互的多样性，挖掘出了更丰富的社交信息，故性能比GraphRec、Danser和ConsisRec更优。

总体而言，捕捉丰富的节点信息对性能提高至关重要。从实验结果可以看出，HR-GNN模型相较于其他模型更具竞争力，因为HR-GNN在利用GCN分析用户和项目多样性的同时，增加了处理社会不一致关系的能力，表明了聚合一致性邻居对推荐性能有很大提升。

表3　两个数据集上不同模型的实验结果

3.3　消融实验

为了验证本文的查询嵌入和邻居抽样对模型推荐性能提升的有效性，设计消融实验，实验结果如图4所示。

图4　HR-GNN模型的消融实验结果

由图4可以得出以下结论：

1）模型HR-GNN_A移除了查询层，在查询节点信息时直接使用卷积聚合后的用户嵌入而不是查询嵌入来选择相应的邻居。使用查询嵌入的HR-GNN模型较未考虑异构关系的HR-GNN_A模型在两个数据集上的算法性能均有提升。在Ciao数据集上，HR-GNN算法的MAE和RMSE指标分别降低了1.77%和2.30%；在Epinions数据集上，HR-GNN算法的MAE和RMSE指标分别降低了2.38%和1.41%。由此可知，本文构建查询模块可以有效分析节点依赖关系，建模用户之间的相关性，提高模型的推荐性能。

2）模型HR-GNN_B移除了邻居抽样层，在进行邻居采样时聚合了节点的所有邻居。实验结果表明，使用邻居抽样的HR-GNN模型与未考虑聚合关系一致性邻居的HR-GNN_B模型相比，在两个数据集上的效果均有明显改善。以MAE和RMSE为衡量指标，HR-GNN模型在Ciao数据集上分别降低了4.38%和3.95%，在Epinions数据集的性能分别降低了4.97%和3.34%，验证了选择一致性邻居的重要性。

3）模型HR-GNN_C移除了注意力机制，为具有不同关系的边赋予了相同的权重。区分社会影响力强度的HR-GNN模型与之相比，在两个数据集上的实验结果更优，推荐性能得到了改善，说明衡量社会影响力强度可以提升算法的有效性。

3.4　超参数的影响

由图5可以看出，随着值的增加，HR-GNN模型在两个数据集上的性能不断变化，在Ciao数据集上值为24时性能最佳，在Epinions数据集上值为26时性能最佳；达到峰值后，性能会随着值的增加开始逐步下降。由此可知，较小的嵌入维度不足以表示节点信息，而较大的嵌入维度会导致过拟合问题。

图5　嵌入维度对模型性能的影响

3.5　效率分析

本节主要对HR-GNN模型的效率进行分析，并从时间复杂度和空间复杂度两个角度分析了该模型的有效性。

由表4可以看出，与其他模型相比，HR-GNN模型的训练效率更高，主要原因是：该模型只在邻居节点学习用户和项目特征，且模型中的图神经网络不依赖整个图，降低了模型计算的复杂度。因此，HR-GNN模型不仅在性能上有所提升，在训练效率上也具有竞争力。

为分析模型的空间复杂度情况，在Ciao数据集上进行实验获取不同模型的参数量、模型大小和运行时占用的内存量，实验结果如表5所示。由表5可知，模型大小和占用内存量与模型参数量有关，说明模型的空间复杂度与参数量有关。HR-GNN模型由于增加了计算节点关系的任务，所以参数量和占用内存量会有所增加，但与基线模型相差较小。综合分析，HR-GNN模型稳定、高效，在包含大量社会关系的真实社交推荐场景中更为合适，具有一定优势。

表4　不同模型在两个数据集上的平均训练时间

表5　不同模型的参数量分析

4 结语

本文提出了结合异构关系增强GNN的社交推荐模型HR-GNN，分析了用户之间的全局依赖关系和关系一致的用户对不同项目的偏好情况。HR-GNN设计了查询模块捕捉GCN聚合的社会依赖关系中一致性的邻居节点，通过邻居抽样策略挖掘社会异构关系，并利用自注意力机制提高节点特征表示质量。实验结果表明，HR-GNN模型的性能优于先进的社交推荐模型，但仅利用了用户对项目的评分信息，未来的工作可以将项目的文本描述和用户评论整合到推荐框架中，以增强语义信息，进而提高推荐性能。

[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] 黄立威，江碧涛，吕守业，等. 基于深度学习的推荐系统研究综述［J］. 计算机学报， 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；

国家自然科学基金资助项目（61772249）。

王永贵（1967—），男，内蒙古赤峰人，教授，硕士，CCF会员，主要研究方向：大数据、并行计算、数据库、数据挖掘； 时启文（1998—），女，河南商丘人，硕士研究生，主要研究方向：推荐系统

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.