计算机应用

作者：王义, 马应龙

单位：华北电力大学 控制与计算机工程学院，北京 102206

关键词：社交网络,图神经网络,多任务学习,图表示学习,社交项推荐

基金：国家自然科学基金资助项目(62072450);国家电网公司科技项目(SGGSXT00XMJS2250023)

除了考虑用户间的社交关系，挖掘项间隐含的关系特征对提升用户和项的表示学习能力同样具有至关重要的作用。当前社交项推荐中静态项图构建过程难以准确抓取项间的潜在关系，且后续的图融合过程缺乏深度交互，这限制了相关模型对多图特征间复杂且多层次关系的理解能力。因此，提出一种基于项图动态适应性生成的多任务社交项推荐方法（MTDAG）。首先，在基于多任务学习（MTL）的联合训练中，使用项图动态生成模块结合下游推荐任务的反馈信息适应性地调整项图结构；其次，使用社交项推荐模块通过深层次的多图特征融合方法在各输入图之间迭代地传播用户和项的特征表示；最后，在Yelp和Ciao两个公共数据集上把MTDAG与ECGN （Efficient Complementary Graph convolutional Network）和MGL （Meta Graph Learning framework）等6种基线方法比较。实验结果表明，MTDAG在命中率（HR）、召回率（Recall）和归一化折损累计增益（NDCG）上均至少提高了3%且MTDAG的鲁棒性在针对冷用户和冷项推荐的评估实验中得到了充分验证，实验结果表明，MTDAG可以在一定程度上解决交互稀疏的冷用户和冷项的推荐问题。

来源：2025年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第8期