基于异构图卷积网络的隐式信任和影响力在社交推荐中的应用

摘 要：针对如何在图卷积网络中融入用户的社交网络以及有效实现异构关系学习的问题，提出了一种包含隐式信任和影响的新颖的异构图卷积网络框架（HGCNTI）。该框架基于用户-用户二分图构建信任子图和影响子图，充分利用用户间的隐式关系达到增强用户-项目表示的目的;此外，设计了一个多视角元网络，从不同用户或项目中提取个性化信息，实现个性化知识转换的自适应增强。实验结果表明，在Ciao和Epinions两个数据集上，HGCNTI均表现出色。与各种最新基线相比，在Ciao数据集上，其召回率@5提升了22.6%，召回率@10提升了19.7%，NDCG@10提升了19%;在Epinions数据集上，NDCG@5提升了2.9%，精确率@10提升了4.5%。

关键词：社会信任;社交推荐;异构图学习;元网络

中图分类号：TP391 文献标志码：A

0 引言（Introduction）

在当前信息爆炸的时代，推荐系统已经成为连接用户与海量信息内容的桥梁，其中社交推荐因其能深入挖掘用户的社交网络信息及行为模式而显得尤为重要。社交推荐系统通过细致分析用户在社交网络中建立的关联、展现的兴趣及偏好，能够更精准地捕捉用户的真实需求，进而推送高度个性化的内容。然而，现实生活的推荐场景复杂多变，涉及的数据对象类型多样，并且对象之间的交互方式也呈现多样化的特点，这对行之有效地从不同对象的交互中学习到用户的偏好提出了严峻的挑战。为了应对这一挑战，本文提出了一种新方法，它在原有LightGCN（LightGraphConvolutionNetwork）的基础上引入了两个用户-用户交互图（信任图和影响力图），同时设计了一个多视角的元网络，用于学习用户侧和项目侧的个性化信息，增强个性化知识转换的自适应。

1 相关工作（Relatedwork）

近年来，社交推荐系统因其能有效利用用户的社交网络信息以模拟用户的偏好而引起了广泛关注。针对社交推荐系统的研究，主要聚焦于探索社交关系和评分如何影响用户嵌入和项目嵌入[1]。同时，利用用户相似度预测用户评分的研究也日益增多[2-3]。GCNs（GraphConvolutionNetworks）凭借其在建模图结构数据领域的出色表现而被成功应用到社交推荐系统中[4-5]。例如，LIAO 等[6]提出了一个名为SocialLGN（SocialLightGraphConvolutionNetwork）的系统，该系统扩展了LightGCN（LightGraphConvolutionNetwork），使其更适应社交推荐问题。他们为用户-项目交互图和社交图同时设计了一种基于轻量图卷积网络的表示传播机制。SENG等[7]首先通过图神经网络（GNN）学习用户的潜在因子和项目的潜在因子，其次将两个潜在因子连接起来进行最终评分预测。在用户建模方面，用户的潜在表示是项目聚合和社交聚合的串联。与静态建模社交关系不同，朋友的推断可能会随着时间的变化而改变。YUAN等[8]考虑了一种动态情况，即社交关系动态影响用户兴趣，因此他们提出了一种基于会话的社交推荐算法，该算法模型化了动态兴趣和动态社交影响。HUO 等[9]提出了一种名为TrustGNN（TrustGraphNeuralNetwork）的新GNN（GraphNeuralNetwork）信任评估方法，它巧妙地将信任图的传播和可组合性质融入GNN框架中，以更好地进行信任评估。YANG等[10]打算赋予GNN模型解决社交不一致问题的能力，并提出通过将邻居间一致性得分与采样概率相联系，进而生成抽样一致的邻居。

尽管上述基于GCNs的社交推荐模型已经以卓越的推荐表现证明了其有效性，但是在现有方法中，尚未很好地解决以下3个挑战。一是传统的社交推荐模型[11-12]往往依赖静态模型分析每个用户的本地邻居信息，导致推荐性能不理想。二是近期的研究[13-14]忽视了每个用户受其值得信赖的朋友影响的潜在有价值的嵌入。三是鉴于社交信息与用户-项目交互建模之间的依赖关系往往不是单一形态而是多样的，因此实现异质关系学习成为提升推荐系统性能的关键挑战。

2 模型构建（Modelbuilding）

本文提出的HGCNTI模型由嵌入层（EmbeddingLayer）、传播层（PropagationLayer）、元网络层（MetaNetworkLayer）及模型预测层（ModelPredictionLayer）4个主要组成部分构成。基于异构图卷积网络的隐式信任和影响力的模型图如图1所示。

2.1 准备工作

事实上，推荐系统通常是异构的，它包含来自用户和项目的不同信息。本文使用Gui ={Vu，yu，i，Vi}表示用户-项目交互图，这里的Vu和Vi分别表示用户和项目的集合。如果yu，i=0，那么意味着用户和项目之间不存在交互，若yu，i=1，则表示用户和项目之间存在交互。与之相类似，本文使用GT ={Vu，yu，u}和GI={Vu，yu，u}分别表示用户信任图与用户影响力图。对于项目图，按照其类别，将其定义为Gii={Vi，yi，i}。对于上述定义的用户-项目交互图、用户信任图、用户影响力图与项目图，本文定义了3种邻接矩阵，分别为Au，i ∈Rm×n，Au，u ∈Rm×m ，Ai，i∈Rn×n。其中，m 和n 分别表示用户数量与项目数量。

2.2 信任图的生成

用户信任值的计算是社交推荐过程中的重要步骤。信任源于主观个体的经历。如果用户u 更信任用户v，则他们之间的相似度更高。在现实生活中，个体间的信任水平是动态变化的，它深受双方互动关系的质量及互动结果的影响。具体而言，积极成功的互动经历能够增进彼此间的信任感，而不良或失败的互动则可能导致信任度下降。此外，由于用户对物品有各自独特的兴趣偏好，互动产生的信任影响也会有所不同。因此，本文考虑了用户的互动信息和偏好，使用一个信任关系的测量模型，以综合考虑用户对不同物品的评分和偏好程度。本文做出如下两种假设：①如果两个用户都与一个物品产生过交互，那么我们就假设这两个用户之间存在一次交互;②如果这两个用户对该物品的评分均大于或是均小于他们的各自的平均评分，我们则认为这是一次成功的交互，反之则是一次失败的交互。

基于上述假设，当用户u 和用户v 之间至少存在一次交互的前提下，用户u 对用户v 的信任值计算如下：

其中：Ui表示同样对物品i 进行过评分的用户群，用户u 与Ui内的其他用户相似度越高，那么可以认为用户u 对这个物品i的偏好度越高。sim（u，o）是用户u 与Ui 中用户o 的相似度。具体而言，本文使用皮尔逊相关系数（PearsonCorrelationCoefficient，PCC）计算，通过引入共同交互次数，将相似度限制在0到1的范围内，其公式如下：

考虑到用户对不同项目的偏好度之后，本文将最终的信任值定义为公式（1）。

2.3 影响力图的生成

由社会学家罗纳德·伯特（RonaldBurt）在1992年提出的传统的结构洞（StructureHole，SH）理论在社交网络中具有广泛的应用，它能够有效地识别影响力节点。结构洞是一种利用局部信息识别网络关键节点的有效方法。在结构洞算法中约束度扮演了一个重要的角色，它主要是指FREEMAN的中介中心性指标以及其改进形式，其基本思想是，如果一个节点位于许多其他节点对的最短路径上，则该节点具有较高的中介中心性，更有可能占据结构空洞位置，它也就是所谓的影响力用户，其公式定义如下：

其中：f1mlp 和f2mlp 是用于从信任矩阵中学习元知识的两个全连接层，而f3mlp 和f4mlp 是用于从影响矩阵中学习元知识的两个全连接层，上述全连接层都使用PReLU作为激活函数。本文为每个用户的元学习网络配置了两个参数矩阵，以自定义每个用户个性化偏好的学习过程，其中WMT1、WIM1∈Rm×d×k，WTM2、WIM2∈Rm×k×d。这些参数张量中每个用户都有矩阵。根据相应的用户和物品的独特特征生成个性化的转换，为每个用户和物品投影一个个性化的新向量矩阵。此外，限制了转换的秩klt;d，这有助于提取主要特征并简化后续的计算或分析过程。从元网络输出的用户最终嵌入可以用公式（19）和公式（20）描述：

EMT =σ（WTM1WM2 T ET ） （19）

EMI =σ（WIM1WM2 I EI） （20）

其中：σ（·）是PReLU函数;EMT 、EMI ∈Rm×d 是从元学习网络中生成的最终结果，分别包含从信任图和信息图中提取的个性化信息。类似于公式（12），本研究使用图融合模型获取最终的用户嵌入。该嵌入的计算方式如公式（21）所示：

EFu =W5（σ（W6EMT ）||σ（W7EMI ）||σ（W8Eu）） （21）

其中：EFu 是最终的用户嵌入矩阵，类似于EFu 的生成过程。我们也可以生成项目的最终嵌入矩阵。

2.7 预测层

从元网络层得到最终的用户和项目向量后，给定用户u 和项目i，我们通过计算其内积的方式i 获得在u 上的排名分数，其计算公式如公式（22）所示：

^yui=eTuei （22）

在本文提出的模型中，使用贝叶斯个性化排序（BAYESIANPERSONALIZEDRANKING，BPR）损失函数优化参数。BPR损失函数的设计目标是优化推荐系统中的个性化排序性能，确保用户实际喜欢或交互过的项目在推荐列表中的排名高于用户未喜欢或未交互过的项目，其公式如公式（23）所示：

其中：NIu是指u 在用户-项目交互图中的邻居，E（0）是嵌入层输出的N 个用户和M 个项目的嵌入。

3 实验（Experiment）

3.1 实验环境和数据集

对于本文提出的模型和所有基线模型，将嵌入大小统一设置为128，并将批处理大小设置为1024。本文提出的模型是基于PyTorch框架构建的，并且所有实验数据是在一块3080Ti显卡上运行获得的。对于每个数据集，采用80%的数据作为训练集，剩余数据则作为测试集。为了确保超参数不带有偏差，并防止模型过拟合，本实验从训练交互中随机抽取10%的数据作为单独的验证集。与LightGCN类似，本文提出的模型使用Adam优化器，并将学习率设置为1e-3对模型中的参数进行优化。传播层的层数设置为3。用户和物品的初始嵌入通过均值为0、标准差为0.01的高斯分布进行初始化。

实验是在现实世界收集到的Ciao和Epinions两个数据集上进行的。Ciao包含了各种产品（包括图书、电子产品等）的用户评论和评分，为探究用户偏好及产品评价提供了宝贵的数据支持;该数据集包括7375个用户和106797个物品;Epinions数据集是一个在线社交网络数据集，包含用户对产品和服务的评论与评分，它包含22166个用户和296277个物品。

3.2 评价指标

为了全面评估我们所提出的模型与基线模型在top-N排名推荐方面的性能，本研究采用了3个在业界广泛认可的评估指标：精确度（Precision）、召回率（Recall）和归一化折损累计增益（NDCG）。上述指标以及计算NDCG过程中的DCG，其公式分别如公式（24）至公式（27）所示：

其中：推荐列表的长度N 设置为5和10，U 表示测试集中的所有用户，Ru表示用户u 被推荐的所有物品集合，Iu 表示与用户u 有互动的物品集合。

3.3 基线介绍

为了测试本文提出的模型的性能提升效果，本研究将其与当前一些先进的推荐模型进行了比较实验，针对比较模型的介绍如下。

（1）FSTID[11]：一种基于深度学习且引入了基于信任和社交影响的因子化模型（FSTID），其通过深度学习对矩阵分解（MF）中的特征进行配置，摒弃了传统的随机初始化方法。此外，FSTID创建了一个信任度量模型，以量化隐式信任的强度。

（2）LightGCN[16]：LightGCN（LightGraph ConvolutionNetwork）是一种轻量级的图卷积网络模型，用于推荐系统中的协同过滤任务，它在传统的GCN模型基础上进行了简化和改进，以适应推荐系统的需求。

（3）SocialLGN[6]：SocialLGN（SocialLightGraphConvolutionNetwork）是一个将社交网络信息融入LightGCN的模型。通过整合社交关系，它增强了推荐系统中用户-物品交互建模，并提升了模型推荐的性能。SocialLGN能更有效地捕捉用户之间的社交影响，从而获得更准确和个性化的推荐结果。

（4）TIGCN[17]：TIGCN （LightGCNBasedonImplicitTrustandInfluence）是基于LightGCN的图卷积网络，它同时将信任图、影响图及用户-物品交互图放入LightGCN中，从而在建模过程中提供了更多的信息，因此达到了更好的推荐效果。

3.4 实验结果与分析

Ciao数据集的实验结果见表1;Epinions数据集的实验结果见表2。从表1与表2中的结果来看，HGCNTI通过聚合显式反馈（即用户-物品交互）表示和社交反馈（用户信任和用户影响力），丰富了模型的输入信息，能更好地对用户和物品进行建模。显然，基于GCN的模型比基于MF的模型在两个数据集上的表现更好。在LightGCN 的基础上，当引入更多信息时，结果变得更好。在此基础上，元网络的引入大大提升了本文提出模型的推荐效果。HGCNTI在Ciao数据集上实现了显著提升，特别是在召回率和精确率指标上表现突出。具体而言，在召回率@5上提升了22.6%，在召回率@10上提升了19.7%，在NDCG@10上提升了19.0%。相比之下，在Epinions数据集上，由于该数据集相较于Ciao数据集具有更高的稀疏性，HGCNTI的改进幅度相对较小，尽管如此，模型仍然在NDCG@5上实现了2.9%的提升，在精确率@10上实现了4.5%的提升。

3.5 消融实验

本研究开展了消融实验以验证信任图和影响图的影响。在Ciao数据集上Top10消融实验的结果如图2所示。在图2中，G表示用户-项目交互图，I表示影响力图，T表示信任图，M表示元网络。G+I+T表示不使用元网络，这时各项指标均出现了大幅下降，例如精确率从0.0344降至0.0305，因为用户定制化的信息不足，模型会假设两个用户相似，而不考虑用户的偏好。G+I+M、G+T+M 表示没有将信任矩阵或影响矩阵及其对应的元网络考虑到本文提出的模型中，从图2中可以看出，各项指标显示出不同程度的下降，例如缺少了信任图，召回率从0.0548降至0.0520;而缺少了影响力图，召回率从0.0548降至0.0525。这进一步证明了本文提出模型的性能优势。

4 结论（Conclusion）

本文提出了一种新颖的异构图卷积网络框架，称为HGCNTI。该框架通过利用用户和物品的隐含关系（例如社交信任和影响）以增强用户-物品表示。该模型能够将异构社交关系语义整合到用户-物品交互建模中，并利用图卷积网络在不同视图之间进行知识传递的增强。具体而言，HGCNTI基于用户-用户二部图和嵌入向量构建信任子图和影响子图，以探索用户之间的隐含关系。这种模块能够共同探索用户兴趣和社交关系的传播过程。同时，研究人员设计了一个多视图元网络，从不同用户或项目中提取个性化信息，通过元网络增强异构图卷积网络，实现自适应增强的个性化知识转换。在Ciao数据集与Epinions数据集的实验结果表明，与一些优秀的基线模型相比，HGCNTI在性能上取得了明显的提升，证明了模型的有效性。

参考文献（References）

[1]XUSS，SUNF，WU XS，etal.Aheterogeneousgraphneuralrecommendationmodelwithhierarchicalsocialtrust[J].Computersandelectricalengineering，2023，111：108912.

[2]吕刚，张伟.基于深度学习的推荐系统应用综述[J].软件工程，2020，23（2）：5-8.

[3]苏湛，黄忠，艾均.一种融合用户相似性与评分距离的个性化推荐算法[J].软件工程，2022，25（10）：20-27.

[4]WUL，LIJW，SUNPJ，etal.Diffnet++：aneuralinfluenceandinterestdiffusionnetworkforsocialrecommendation[J].IEEEtransactionsonknowledgeanddataengineering，2020，34（10）：4753-4766.

[5]YUJL，YINHZ，LIJD，etal.Enhancingsocialrecommendationwithadversarialgraphconvolutionalnetworks[J].IEEEtransactionsonknowledgeanddataengineering，2022，34（8）：3727-3739.

[6]LIAOJ，ZHOU W，LUOFJ，etal.SocialLGN：lightgraphconvolutionnetworkforsocialrecommendation[J].Informationsciences，2022，589：595-607.

[7]SENG D W，LIM F，ZHANG XF，etal.Researchonneuralgraphcollaborativefilteringrecommendationmodelfusedwithitemtemporalsequencerelationships[J].IEEEaccess，2022，10：116972-116981.

[8]YUANCY，LIJC，ZHOU W，etal.DyHGCN：adynamicheterogeneousgraphconvolutionalnetworktolearnusers'dynamicpreferencesforinformationdiffusionprediction[C]∥HUTTERF，KERSTINGK，LIJFFIJTJ，etal.MachineLearning and Knowledge Discoveryin Databases：EuropeanConference，ECMLPKDD2020，Ghent：Springer，2021：347-363.

[9]HUOCY，HEDX，LIANGCD，etal.TrustGNN：graphneuralnetwork-andcomposablenature[J].IEEEtransactionsonneuralnetworksandlearningsystems，2024，35（10）：14205-14217.

[10]YANGZ，DINGM，XUB，etal.STAM：aspatiotemporalaggregationmethodforgraphneuralnetwork-basedrecommendation[C]∥LAFORESTFTRONCYR.Proceedingsofthe ACM Web Conference2022.Lyon：ACM，2022：3217-3228.

[11]ZHANGXF，CHENXL，SENGD W，etal.Afactoredsimilaritymodelwithtrustandsocialinfluencefortop-Nrecommendation[J].Internationaljournalofcomputerscommunicationsamp;control，2019，14（4）：590-607.

[12]SENGDW，LIUJX，ZHANGXF，etal.Top-Nrecommendationbasedonmutualtrustandinfluence[J].Internationaljournalofcomputerscommunicationsamp;control，2019，14（4）：540-556.

[13]MENGQ，LIUB，ZHANG H Y，etal.Temporal-awareandmultifacetedsocialcontextsmodelingforsocialrecommendation[J].Knowledge-basedsystems，2022，248：108923.

[14]DONG M Q，YUANF，YAOLN，etal.Asurveyfortrust-awarerecommendersystems：adeeplearningperspective[J].Knowledge-basedsystems，2022，249：108954.

[15]CHENMR，HUANGC，XIALH，etal.Heterogeneousgraphcontrastivelearningforrecommendation[C]∥CHUAT，LAUW H，SIL，etal.ProceedingsoftheSixteenthACMInternationalConferenceonWebSearchandDataMining.Singapore：ACM，2023：544-552.

[16]HEXN，DENGK，WANGX，etal.Lightgcn：Simplifyingandpoweringgraphconvolutionnetworkforrecommendation[C]∥HUANGJ，CHANGY，CHENGXQ，etal.Proceedingsofthe43rdInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.VirtualEventChina：ACM，2020：639-648.

[17]CAIXL，WANG XY，ZHANGYY，etal.Anexaminationofimplicittrustandinfluenceinsocialrecommendationthroughgraphconvolutionalnetworks[J].Traitementdusignal，2023，40（3）：1055-1064.

作者简介：

王希源（1999-），男（汉族），嘉兴，硕士生。研究领域：推荐系统。

僧德文（1977-），男（汉族），漳州，副教授，博士。研究领域：机器学习，推荐系统，智能交通系统。本文通信作者。

基金项目：教育部产学合作协同育人项目（220903242265640）