基于GNN的社交推荐系统

最新推荐文章于 2025-03-11 23:42:25 发布
最新推荐文章于 2025-03-11 23:42:25 发布
阅读量2.6k 收藏 21
点赞数 2
分类专栏： 推荐系统 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44760744/article/details/110226319
版权
该文介绍了如何利用GNN构建社交推荐系统，解决结合用户-项目图和社交图、处理评分信息以及考虑社交关系强弱的问题。通过项目聚合和社交聚合学习用户特征，并采用注意机制动态加权，预测用户评分。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

发表于2019年WWW

《Graph Neural Networks for Social Recommendation》论文阅读笔记

GNN，融合了节点信息以及结构信息，在图结构数据中学习。在社交推荐系统中可以将用户-用户社交图，用户-项目图作为系统中的数据，学习用户和项目的特征，因此GNN在处理的时候有很大的优势。
问题：基于GNN建立社交推荐系统面临挑战：
（1） 需要从用户-项目图，社交图中获得用户特征，怎样结合这两个图；
（2） 用户-项目图中不仅包含用户项目之间的交互，还有评分。怎样获得用户项目之间的交互和评价；
（3） 用户社交图中连接强度不同（强连接和弱连接）。与弱关系相比，强关系用户可能会分享更相似的喜好。平等考虑社交关系可能导致推荐性能下降。因此需要考虑区分社交关系。
本文：基于图神经网络框架建立社交推荐系统。
The overall architecture of the model
用户建模：
社交图和用户-项目图，从两个角度学习用户特征，然后聚合（一个是项目聚合，在用户项目图中建模用户；一个是社交聚合，从社交的角度建模用户）。
项目聚合：同时考虑交互和评分信息

最低0.47元/天 解锁文章
基于图神经网络的推荐系统：探索关系的力量
AI天才研究院
08-20 935
基于图神经网络的推荐系统：探索关系的力量 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 推荐系统的意义 在信息爆炸的时代，人们面对海量的数据常常感到无所适从。推荐系统应运而生，它旨在根据用户的兴趣和偏好，从海量
图神经网络项目实战案例：基于GNN的知识图谱构建与推荐系统实现
syntax_api860的博客
09-21 932
图神经网络（Graph Neural Network，简称GNN）是一种针对图结构数据的机器学习模型，能够有效地捕获节点之间的依赖关系，广泛应用于推荐系统、社交网络分析、生物信息学等领域。本文将介绍如何利用GNN技术构建知识图谱，并基于此知识图谱实现一个简单的推荐系统。本文以知识图谱构建和推荐系统实现为例，演示了如何使用GNN模型进行图结构数据的处理和应用。利用已有的数据集构建知识图谱，首先需要将实体和关系转化为图结构的表示形式。基于训练好的GNN模型，我们可以根据用户的喜好推荐相关的实体。
图神经网络GNN在推荐系统的应用：综述
weiyaner的博客
04-02 4990
参考： 论文1： 《Graph Neural Networks in Recommender Systems: A Survey》 https://arxiv.org/pdf/2011.02260.pdf 论文2： 《Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions》 https://arxiv.org/pdf/2109.12843.pdf 1 介绍 1.1 推荐系统发展的三个阶段 回顾一
GNN社交推荐系统
m0_53497128的博客
12-16 1032
社交推荐系统
基于图神经网络的天气推荐系统
最新发布
Dalu_1226的博客
03-11 899
气象站节点用户节点地理位置节点。
【论文阅读】GNN在推荐系统中的应用
qq_33934427的博客
05-29 3273
【论文阅读】GNN在推荐系统中的应用
GNN在推荐系统的应用——＞GC-MC与STAR-GCN
weixin_43845522的博客
04-13 3100
GNN ——> 推荐系统（两个算法） 文章目录GNN ——> 推荐系统（两个算法）前言一、GC-MC1、总体结构2、Graph Encoder部分3、Graph Decoder部分4、损失函数5、实验结果6、不足二、STAR-GCN1、总体架构（比较）2、Transductive 和 Inductive（归纳和直推）如何实现直推？——mask3、LOSS部分4、leakage Issue的避免5、实验结果 前言 部分资源来自于Youtube 一、GC-MC 1、总体结构 首先进行one-ho
GNN 推荐系统综述 - Graph Neural Networks in Recommender Systems: A Survey
SmartLab307的博客
12-01 1226
本文是一篇推荐系统综述，介绍了Graph Neural Networks，Recommender System方面的相关内容
4-2+基于GNN的社交推荐算法设计和应用.pdf
03-18
基于GNN的社交推荐算法设计和应用 本文档主要介绍基于GNN（Graph Neural Network，图神经网络）的社交推荐算法设计和应用。社交推荐算法是指基于社交网络结构的推荐算法，旨在根据用户之间的社交关系和行为习惯，...
基于图神经网络GNN的社交网络原点预测设计源码
09-30
基于图神经网络的社交网络原点预测设计，可以通过分析用户的行为模式、社交关系以及信息传播路径等多维特征，来提高预测的准确度和效率。 本项目所包含的源码，为社交网络原点预测提供了完整的设计思路和实现方法。...
推荐系统中的GNN，图神经网络
yichudu
07-26 1857
简述 session-based 方法（如 GRU4REC）表现活跃，比 i2i 好用，但被认为其不能建模 item 之间的复杂转移关系，所以GNN类的Rec论文活跃， 通过引入GNN思想可以取得性能提升。 参考 own blog, SR-GNN,图网络召回 MGNN-SPred ...
基于社交网络的推荐系统
07-12
分析社交网络数据，改进协同过滤算法，一个新的推荐技术
GNN应用在推荐系统中综述
weixin_44760744的博客
11-13 683
《Graph Neural Networks in Recommender Systems: A Survey 》阅读笔记 推荐系统的关键：从用户-项目交互历史或者辅助信息（如社交关系，知识图谱等）中学习用户项目的特征。 根据推荐系统是否考虑项目的顺序，可以将推荐分为两类：一般推荐（评分预测/前N推荐）和序列推荐（推荐用户可能点击的下一个项目，即next item 推荐）。 为什么要用GNN：由于大多数信息本质上都是图结构，GNN在特征学习方面具有优势。因此在推荐系统中应用GNN是有研究前景的。 为什么要在
图神经网络（五）基于GNN的图表示学习（4）基于图自编码器的推荐系统实战代码
weixin_43360025的博客
05-08 1920
图神经网络（五）基于GNN的图表示学习（4）基于图自编码器的推荐系统实战代码基于图自编码器的推荐系统实战代码代码说明autoencoder.pydataset.pymain.py运行结果 基于图自编码器的推荐系统实战代码 代码说明  本次实验是在 Pycharm 上完成，将以下Python文件代码导入即可，如下图所示，然后直接运行即可。 autoencoder.py import torch import torch.nn as nn import torch.nn.functional as F im
第四章 基于社交网络的推荐系统
komjay的博客
03-18 1740
TrustWalker有着最低的错误率和最高的正确率。总结基于记忆的方法，其特点有：不需要学习模型，只是探索网络以查找评分者；需要存储社交评分网络；由于需要探索，在线预测消耗时间长。
【推荐系统】推荐系统-基础算法 基于社交网络的算法
m0_51933492的博客
09-02 2153
社交网络形成两类社交网络结构，一类是好友一般都是自己在现实中认识的，这种好友关系需要双方确认，如qq空间，facebook,称之为社交图谱。另一种好友只是出于对对方的言论感兴趣而建立好友关系的，如微博，twitter。这种社交网络也被成为兴趣图谱。但任何一个社会化网站都不是单纯的社交图谱或兴趣图谱，在熟人网络如qq空间也会和部分好友有共同兴趣而在微博这种兴趣图谱社交网站中也可能会有现实生活中的亲朋好友.
社交推荐系统基于Neo4j实践指南
gitblog_01198的博客
09-15 951
社交推荐系统基于Neo4j实践指南 social-recommend 一个基于Neo4j图形数据库的社交推荐系统（一周时间，从学习到完成的垃圾练手课设小项目） 项目地址: https://gitcode.com/gh_mirror...
基于Neo4j图数据库的社交推荐系统研究与实现
分享日常的学习，开展的项目，编写的软件，解决的问题等~
01-26 5169
这是一个课程设计项目，要求研究一下非关系数据库，这里选用的是neo4j图数据库，查阅资料发现neo4j经常被用作社交的推荐系统，故简单设计了一个社交推荐系统并实现。 开发环境和框架 系统：Ubuntu 18.04 LTS IDE：JetBrains Intelij IDEA 语言：Java 1.8 框架：SpringBoot 2.4.1，Thymeleaf，Bootstrap 交互技术：ajax 实现的功能 给用户提供一个与相同爱好者交流联系的平台，系统会通过你的标签，对哪些更加有兴趣，经过好友推荐.
推荐系统的社交化与个性化：融合社交网络数据
AI天才研究院
01-10 943
1.背景介绍 推荐系统是现代信息处理技术中的一个重要领域，它旨在根据用户的历史行为、兴趣和需求等信息，为用户提供个性化的信息、产品和服务建议。随着互联网的普及和数据的爆炸增长，推荐系统已经成为互联网企业的核心竞争力之一，如 Amazon、Netflix、Facebook 等。 然而，传统的推荐系统主要基于用户的历史行为和兴趣，缺乏对用户的社交关系和个性化需求的考虑。随着社交网络的发展，人们在社...
基于图神经网络的社交推荐系统
02-26
### 构建基于图神经网络的社交推荐系统 #### 1. 数据准备与预处理 为了构建有效的社交推荐系统，首先需要收集并整理用户、物品及其交互的数据。这些数据通常被转换成图结构，在此过程中，用户和物品作为节点，而用户的偏好行为（如点赞、评论等）则成为连接节点的边[^1]。 对于社交平台而言，除了基本的用户-项目互动外，还应考虑加入额外的信息层，比如共同兴趣标签或是地理位置信息，这有助于更精准地刻画用户画像及社群特性[^2]。 ```python import pandas as pd from sklearn.model_selection import train_test_split # 假设有一个DataFrame df包含了用户ID, 商品ID 和评分 df = pd.read_csv('ratings.csv') # 将数据集划分为训练集和测试集 train_df, test_df = train_test_split(df, test_size=0.2) print("Train set size:", len(train_df)) print("Test set size:", len(test_df)) ``` #### 2. 图神经网络模型的选择与设计 选择合适的GNN架构至关重要。考虑到社交场景下的特殊需求——即不仅要理解个体的行为模式还要识别群体间的关联规律——GCN (Graph Convolutional Networks)，GATs (Graph Attention Networks) 或者其他变体可能是不错的选择[^3]。这类算法擅长于挖掘隐藏在网络背后的深层次特征，并能有效应对稀疏性和冷启动等问题。 针对具体应用场景定制化调整参数设置也很重要；例如调节层数、激活函数种类以及正则项强度等因素均会对最终效果产生影响[^4]。 ```python import torch.nn.functional as F from torch_geometric.nn import GCNConv class SocialRecSys(torch.nn.Module): def __init__(self): super(SocialRecSys, self).__init__() self.conv1 = GCNConv(in_channels=num_features, out_channels=hidden_dim) self.conv2 = GCNConv(hidden_dim, num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) ``` #### 3. 训练过程优化技巧 采用负采样策略可以帮助缓解样本不平衡带来的负面影响，尤其是在面对大规模稀疏矩阵时尤为必要。此外，引入自监督学习机制也有助于增强模型泛化能力，减少对外部标注数据量的需求。 利用早停法(Early Stopping)防止过拟合现象发生同样不可忽视。当验证集上的性能指标连续多个epoch不再提升，则提前终止迭代流程以保存最佳权重配置。 ```python patience = 5 early_stopping = EarlyStopping(patience=patience, verbose=True) for epoch in range(epochs): model.train() optimizer.zero_grad() output = model(data) loss = criterion(output[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() early_stopping(loss.item(), model) if early_stopping.early_stop: print(f"Early stopping at Epoch {epoch}") break ``` #### 4. 性能评估方法论 最后一步是对所开发出来的系统进行全面评测。常用的评价标准包括但不限于精确率(Precision)、召回率(Recall)、F1分数(F1 Score)等分类度量指标之外，还需特别关注个性化程度(Personalization Degree)这一衡量不同用户间差异性的关键因素。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值