本文是一篇计算机论文，本文针对现有社交网络中普遍存在的同质性低、多模态信息融合困难等问题，在社交推荐场景下提出基于社交网络和知识图谱的个性化推荐算法。不仅优化了社交网络的拓扑结构，还利用知识图谱中丰富的语义信息增强了推荐系统的可解释性。
第一章绪论
1.1研究背景及研究意义
随着人工智能与信息技术的迅猛发展，全球信息量呈指数级增长，导致数字环境中普遍存在信息过载现象。面对这一挑战，帮助用户在海量数据中高效、精准地定位与其兴趣和需求相符的内容，推荐系统作为信息过滤机制应运而生。推荐系统能够根据用户的兴趣、偏好和历史行为，通过分析用户的行为数据和特征，过滤掉大量无关信息，从海量数据中识别出用户感兴趣的内容，降低信息搜索成本，节省用户的时间，为用户提供个性化的推荐结果[1][2]。例如，基于内容的推荐系统会分析物品的属性特征，如电影的类型、演员阵容等，然后根据用户的历史偏好推荐相似的电影。
然而，传统的推荐算法主要基于用户与物品间的交互数据进行推荐，这种方法在实际应用中存在很多局限性。数据稀疏性是推荐系统面临的主要挑战之一，用户-物品交互数据不足导致系统难以精确构建用户兴趣模型与物品特征表示。推荐系统面临的另一个关键挑战是“冷启动”问题，即当新用户初次进入系统或新物品刚被引入平台时，由于缺乏充分的历史交互数据，系统难以对用户偏好或物品属性进行有效建模，从而难以为用户推荐符合用户潜在需求的物品，极大地影响了推荐系统在新场景下的用户体验。基于矩阵分解的推荐模型具备处理大规模数据集的能力，能在一定程度上对大规模数据进行分析和处理，但由于其“黑盒”特性导致推荐结果缺乏解释性，用户无法理解推荐原因，从而降低对系统的信任度。
1.2研究现状
1.2.1基于社交网络的推荐算法研究现状
随着社交网络的快速发展，越来越多的学者开始研究以社交网络为基础的推荐算法[8]。这种推荐利用社交平台服务于用户的隐式知识，在社交推荐过程中与其他用户进行互动，从而产生更好的推荐结果[9]。在传统社交推荐研究领域内，研究人员借助从用户-物品所构建的评分矩阵以及用户社交网络信息，提炼用户特征以达成推荐目标，所运用的方法涵盖矩阵分解[10]、协同过滤[11]和社交正则化[12]的方法。Ma等人创新地提出基于概率矩阵分解模型的推荐算法SoRec[13]，依托用户-物品评分矩阵和用户社交网络信息对推荐过程进行建模，解决了数据稀疏性和预测精度不准的问题。Jamali等人提出了基于矩阵分解的SocialMF[14]推荐算法，进一步融合了用户之间的信任传播机制，使得推荐质量大幅度提升。Guo等人结合用户之间的信任关系和评分数据提出了TrustSVD模型[15]，该模型是首个将社会信任信息融入到SVD++的工作，通过对社会信任数据的分析，发现信任与评级信息相互补充，从而提升了推荐模型的精度。
尽管上述模型在推荐性能上有所提升，未能有效整合多维度的用户节点之间的拓扑结构信息，将图神经网络应用于社交推荐领域，可以有效融合用户之间的社交关系与用户-物品之间的交互信息，从而显著提升推荐性能。Wu等人提出了一个典型的基于图卷积网络的协同过滤SocialGCN模型[16]，借助图神经网络在处理数据方面的显著优势，对递归社会扩散进程中产生的用户偏好变化加以捕捉，从而增强用户嵌入。GraphRec[17]联合社交网络、用户-物品图和物品-物品图上建立了三种聚合模型，全面学习用户和物品的嵌入。DSCF[18]提出了一种基于深度神经网络的原理方法，通过随机游走的方式生成物品感知的社交序列，创新性地构建了融合注意力机制的邻居意见提取模型，并结合双向LSTM神经网络进行特征学习，充分利用社会信息提升推荐效果。MGNN[19]是一个全新的框架，引入了一种互利机制来模拟用户交互行为和社交行为之间的相互增强关系，在社交推荐和链接预测方面的性能均有所提升。
第二章相关理论与技术
2.1推荐系统
伴随互联网技术的迅猛发展与移动终端在社会各层面的广泛应用，互联网里承载的信息数量呈指数式递增，各种类型的产品不断推出。但互联网在为用户提供多元化信息资源的同时也衍生出诸多问题，用户难以从大量信息中获取自己感兴趣、或者对自己有价值的信息[42]。因此，个性化物品推荐系统在用户服务中日益凸显其关键作用。推荐系统是一种信息过滤和决策支持系统，它可以根据用户的历史行为、偏好和上下文等信息，从庞大的候选集中筛选出契合用户喜好的物品。推荐系统的核心任务在于评估用户对物品的兴趣倾向，并据此为用户生成个性化的推荐列表[43]。
传统推荐系统分为三种，第一种是基于内容的推荐系统[44]，主要依据物品的内容信息进行推荐，它是整个推荐系统中最基本的模型。第二种是基于协同过滤的推荐系统[45]，它依赖于用户之间的行为相似性做出推荐。第三种是混合系统[46]，它结合了基于内容和基于协同过滤的推荐方法，以获得更好的推荐效果。
2.2相似性度量方法
相似性度量方法提供了一种量化不同对象之间相似程度的数学度量标准。在推荐系统中，为了对推荐结果进行筛选和排序，通常需要计算不同用户或物品之间的相似度。具体而言，在给定的一个实体集合中，对于任意两个实体，可以计算出它们之间的相似度数值。这个数值可以是正值，也可以是负值，其中正值意味着两者之间具有高相似性，而负值则表明它们之间具有不相似性。计算用户或物品之间相似性的方法有很多，基于距离度量的欧式距离、基于向量空间模型的余弦相似度、基于统计相关性的皮尔逊相关系数和适用于二元数据的杰卡德相似系数等都是推荐系统中常用的相似性度量计算方法。
随着大数据时代的到来，互联网技术的迅速发展推动了社交网络的普及和盛行[55]。社交网络系统是基于互联网技术构建的人际关系网络结构，融合了网络沟通、知识获取、信息交流、休闲娱乐及商业消费等多种信息。当代主流社交平台如微信、微博及各类在线学习社区等，为用户提供了丰富的社交互动环境，在这些社交网络平台上，用户之间的互动产生了海量的信息和数据，这些信息数据被平台有效利用，以提供个性化的推荐服务。以往对人类行为模式的研究确立了两项描述社会关系对用户行为影响的基础理论：社会同质性[56]指出具有社交联系的用户往往表现出相似的偏好取向与兴趣模式；社会影响[57]则揭示用户的决策行为可能受其社交网络中关联个体的行为或观点的显著影响，例如共同消费行为的产生。图2-4呈现了一个整合社交网络数据的推荐系统框架示意图。
第三章基于相似性度量与对比学习的社交推荐模型......................23
3.1引言............................................23
3.2模型整体结构.................................23
第四章知识图谱与社交网络协同的混合推荐模型..........................42
4.1引言.........................................42
4.2模型整体结构................................43
第五章总结与展望..................................59
5.1总结.......................................59
5.2展望.......................................59
第四章知识图谱与社交网络协同的混合推荐模型
4.1引言
随着互联网技术的普及和电子商务的蓬勃发展，推荐系统面临的数据稀疏性和冷启动等关键难题仍然存在。传统推荐方法往往只利用了用户和物品之间的交互数据，忽视了数据中同样丰富的社交关系和物品属性信息。用户在现实生活中的喜好往往会受社交好友的影响，网络环境中的社交影响力同样显著。知识图谱可以捕获与物品相关的丰富实体信息和语义路径。然而，将社交网络、用户物品交互记录与知识图谱这三类异构数据源进行有效融合建模面临着显著挑战，包括异构信息的表示对齐、多源数据间的信息互补和冲突处理等技术难点。为解决上述挑战并充分利用这些信息，本章提出了一种知识图谱与社交网络协同的混合推荐模型（KGI-SR）。采用图卷积神经网络来建模用户社交网络，实现对用户信息的捕获。这种方法不仅能够捕捉用户之间的显式社交关系，还能挖掘社交好友之间潜在的信任传递机制，从而更准确地刻画用户偏好。同时，对于物品引入知识图谱表示学习技术，深入挖掘物品之间的语义关联。这种多重视角的建模方式，既考虑了社交影响力的传播，又兼顾了物品属性的语义关系，为缓解推荐系统中的传统难题提供了新的解决思路。知识图谱的引入能够显著提升推荐系统的性能，其实现原理如图4-1所示，使推荐结果呈现出以下优势。
第五章总结与展望
5.1总结
本文针对现有社交网络中普遍存在的同质性低、多模态信息融合困难等问题，在社交推荐场景下提出基于社交网络和知识图谱的个性化推荐算法。不仅优化了社交网络的拓扑结构，还利用知识图谱中丰富的语义信息增强了推荐系统的可解释性。本文的主要工作内容如下：
（1）为了提高社交网络中的同质性，提出了一种基于相似性度量与对比学习的社交推荐模型（HLCSRec）。利用相似性度量方法计算边的同质性，移除低同质性的边并添加高同质性的边，增强用户之间的相似性联系，实现了对社交网络的优化重构。此外，结合注意力机制动态地分配权重，从而更精准地提取物品特征，确保推荐系统的精确度。同时，引入对比学习策略，基于原始社交网络的边同质性比率构建正负样本对，使用InfoNCE作为损失函数，增强用户表征学习，并优化推荐任务，从而提高了推荐结果的准确性和可靠性。
（2）现有的社交推荐算法未能充分挖掘完整的物品潜在特征，为了解决这一问题，提出了知识图谱与社交网络协同的混合推荐模型（KGI-SR）。引入知识图谱并利用交叉压缩单元，模型能够从不同维度学习物品的潜在特征，捕捉它们之间的潜在联系。利用图神经网络在处理图数据方面的强大能力，分别从社交网络和交互二部图中获取到用户的潜在特征，在此基础上，通过注意力机制动态调整社交网络与交互行为信息的贡献权重，使得推荐系统能够更加准确地反映用户偏好，最终采用多层感知机进行评分预测。通过这种方式，提出的模型不仅能够提供更为精确的推荐结果，同时利用知识图谱蕴含的深层语义关系，可以提升推荐算法的解释性。
参考文献（略）