一个基于自适应余图卷积网络的社会推模型
Rui Chen1, Kangning Pang1, Qingfang Liu2
1College of Software Engineering, Zhengzhou University of Light Industry, ZhengZhou, Henan, China.
PeerJ. Computer science
|September 24, 2025
概括
这项研究介绍了SocialGCNRI,一种新的社会推模型. 它有效地减少了数据噪声,并利用了丰富的多源信息,大大提高了相对于现有方法的推性能.
科学领域:
- 人工智能的人工智能
- 数据科学数据科学数据科学
- 推系统是一个推系统.
背景情况:
- 图形神经网络 (GNN) 通过使用社会信息来改善推系统,但遭受数据噪声和多源数据不足利用.
- 现有的社会推模型往往忽视原始数据噪音,无法整合多样化的关系信息,限制了它们的学习效率.
研究的目的:
- 提出一个先进的社会推模型,SocialGCNRI,解决数据噪声,提高信息利用率.
- 通过有效地整合用户-社交,项目-关联和用户-项目交互数据来提高推性能.
主要方法:
- 利用快速里埃转换 (FFT) 降低频域中的噪声.
- 构建了一个包含用户-社交,项目-关联和用户-项目交互关系的异质图.
- 采用了自适应的残余图卷积网络,以增强模型的表达性.
主要成果:
- 与最先进的社会推方法相比,社会GCNRI表现优越.
- 该模型在两个真实世界的数据集上实现了各种标准评估指标的显著改进.
结论:
- 拟议的SocialGCNRI模型有效地减轻了数据噪声,并最大限度地提高了社会推的多来源信息的实用性.
- 这种方法提供了一个强大的解决方案来提高推系统的性能,解决先前方法的关键局限性.
