基于图注意力的异构图社交推荐网络

吴相帅　孙福振　张文龙　张志伟　王绍卿

摘 要：针对现有社交推荐算法忽视了用户潜在关联和项目之间的协作关系，提出了一个新的算法模型GATHGN（GAT based heterogeneous graph neural network），在该模型框架中对用户关联和项目关系统一建模。首先，挖掘用户显式社交关系、潜在关联关系和用户—项目关联关系，从而提取用户社交高阶特征和潜在兴趣高阶特征；而后，基于图注意力机制聚合上述两种高阶特征，逐层更新用户融合特征；最后，依据更新的用户融合特征与项目特征计算最终的推荐结果。在Yelp数据集和Flickr数据集上的实验结果表明，GATHGN的命中率与归一化折损累计增益较基线算法有显著提升。

关键词：推荐系统；图注意力神经网络；社交推荐；影响扩散

中图分类号：TP391 文献标志码：A 文章编号：1001-3695（2023）10-030-3076-06

doi：10.19734/j.issn.1001-3695.2023.03.0085

GAT based heterogeneous graph neural network for social recommendation

Wu Xiangshuai，Sun Fuzhen，Zhang Wenlong，Zhang Zhiwei，Wang Shaoqing

（School of Computer Science & Technology，Shandong University of Technology，Zibo Shandong 255049，China）

Abstract：Aiming at the problem that the existing social recommendation algorithms ignore the potential association of users and the collaborative relationship between items，this paper proposed a new algorithm model GATHGN.This model framework unified modeled of user association and item relationship .Firstly，users mined explicit social relations，potential association relations and user-item association relations，so as to extract users social high-order characteristics and potential interest high-order characteristics.Then，the above two high-level features were aggregated based on the graph attention mechanism，and the user fusion features were updated layer by layer.Finally，the final recommendation results were calculated according to the updated user fusion characteristics and project characteristics.Experimental results on Yelp and Flickr data show that the HR and NDCG of GATHGN are significantly improved compared with the baseline algorithm.

Key words：recommendation system；graph attention neural network；social recommendation；influence diffusion

0 引言

互聯网融合在生活的方方面面，为更好地给用户提供优质且贴切的互联网信息，推荐算法越发被学术界与工业界所关注［1］。在以往的推荐算法中，为学习到精确的用户特征和项目特征，学者常使用矩阵分解［2］或者协同过滤［3］的方式。近年来，有学者将用户之间的社交关系纳入推荐算法［4］，缓解了推荐算法存在的数据稀疏问题，提高了推荐性能。用户与用户之间的社交行为和用户与项目之间的兴趣行为是社交平台的核心，社交推荐系统的研究重点在于如何学习社交关系和评分信息对用户特征和项目特征的影响［5～7］。

图神经网络与传统深度学习相比，在处理非结构化数据时更加出色［8］，使用图神经网络可以轻易地表示出社交网络［9］。早先基于图神经网络的社交推荐模型将社交信息建模为静态信息［10］。一些学者认为社交信息是基于人际关系和项目交互汇集而成的信息，是一种动态的传播信息，从而设计了动态的社交网络，使得所构建的模型更加逼真［11］。这些方法通过社交网络模拟真实世界中的用户社交关系，进而挖掘用户的偏好，在一定程度上提升了推荐算法的性能。然而，用户兴趣通常受到多方面信息的共同影响。

最近，有学者将用户行为定义为具有两个图的异构网络，即用户—用户社交图与用户—项目兴趣图，并利用注意力机制探索，将这两个图在统一的框架中建模［12，13］。在模拟社交影响扩散和兴趣影响扩散的同时，计算两个异构图对聚合用户特征的影响力分数，使得生成的用户特征更符合实际特征。然而这种方法仅对用户直接好友建模社交网络，未能挖掘用户间潜在关联关系对用户兴趣的影响，如用户直接好友的好友，即用户间接好友，还有与用户交互过同一项目的好友。此外，在异构图网络上执行信息的传递忽视了不同异构图作为不同的信息来源反映了不同方面的用户潜在偏好，现有推荐算法没有考虑直接社交和间接社交关系对用户产生影响的差异性。

针对上述问题，本文提出了一个基于图注意力机制的异构图神经网络模型。如图1所示，本文将用户行为定义为四个异构图，分别是基于社交信息的用户直接好友图、用户间接好友图、用户基于项目的好友图和基于用户—项目交互信息的用户—项目兴趣图。此外，本文还设计了一个多级注意力网络结构学习各个异构图网络和其节点信息对聚合用户特征的影响力，使模型在一个统一的框架中对来自不同异构网络图的扩散信息进行建模以刻画用户融合特征。

本文提出了GATHGN，它在四类异构图中模拟用户社交影响传播和用户兴趣影响传播，以探索具有高阶相关性的用户与项目关系；为了更加了解用户对于各个图源的不同偏好，设计了一个多级注意力网络以更好地聚合来自各个图源的信息。

1 相关工作

1.1 社交推荐

在社交推荐算法中，用户与项目的交互数据通常是稀疏的，导致传统基于协同过滤的推荐算法难以取得一个好的结果。社交行为是人们不可避免的行为，有学者将社交关系纳入了推荐算法并取得了良好的效果。SoRec［4］提出了一种基于概率矩阵，分析用户社交信息和评分记录对用户兴趣产生的影响，巧妙地将社交信息融入到传统推荐算法中。SocialMF［14］将基于社交网络的信任传播机制融入到推荐算法中，取得了一定的提升，证明用户的潜在兴趣在一定程度上受到社交邻居兴趣的影响。TrustSVD［15］提出评级和信任信息不仅显式地对用户兴趣产生影响，也对用户产生隐式的影响，通过对显式影响和隐式影响建模，显著地提高了推荐的准确性。

上述传统社交推荐算法通过建模用户矩阵信息提取用户对项目的兴趣，进而提高推荐算法性能。然而它们仅对用户特征进行了基础的建模，未能学习到用户的深层特征。为此，本文使用矩阵分解的方式，生成初始的用户特征和项目特征作为图神经网络的输入信息。

1.2 图卷积神经网络推荐

图神经网络在各个领域取得了巨大的成功［16～18］，这证明使用图结构进行深度学习是有效的，然而图神经网络难以提取节点间的隐性关系，以获得更深层的用户特征。图卷积神经网络通过卷积操作将节点与邻域的信息进行递归传递。许多工作将用户—项目交互信息视为图结构，并应用图卷积神经网络建模获得了成功［19，20］。在社交推荐中，用户与社交邻居的交互和用户与项目的交互可以很自然地被描述为用户—用户图和用户—项目图。GraphRec［10］使用图卷积神经网络聚合目标节点的一阶社交邻居和一阶项目邻居，使節点信息在图上进行传播。NGCF［21］使用图卷积神经网络递归地传递节点信息来更新用户特征和项目特征。DiffNet［11］提出了一个基于信任传播的多层图卷积神经网络，它直观地模拟了社交活动中的信任传递过程。DESIGN［22］认为社交关系可以反映用户偏好的相似性，但是分别对社交图和用户—项目图建模会得到两个具有不同特征的模型，因此它训练了一个集成用户社交图与用户—项目图的模型，并为各图单独训练一个辅助模型，通过知识蒸馏的方式限制模型的训练过程并使这些模型相互学习。

现阶段图卷积神经网络推荐算法对用户直接交互的用户与项目进行建模，忽视了用户潜在关联和项目联系对用户的影响。本文对用户直接关联、用户间接关联、用户基于项目的关联与用户—项目关联进行建模，以此提取用户社交高阶特征与潜在兴趣高阶特征，从而提高算法的准确度。

1.3 图注意力网络推荐

注意力机制能够从全局的角度具体分析信息中每一个部分对全局的影响，从而为不同部分的信息分配不同的影响力系数，这也引起了推荐算法领域学者的兴趣［23，24］。在社交推荐算法中，已经提出了很多基于注意力机制的模型［12，25］。DiffNet++［13］使用多级注意力机制，分别计算邻居节点参与聚合的影响力分数与图信息参与聚合的影响关系，以更好地聚合用户特征和项目特征。SCGREC［26］聚合社交信息和游戏参与信息，以探索更多的相似邻居。DICER［7］将用户间的社会关系与协作相似性以及项目之间的协作关系视为深层上下文关系，以此模拟用户与项目层面的影响力，并设计了一个关系感知神经网络，对用户和朋友的兴趣进行建模。现有推荐算法仅学习用户社交图和用户—项目交互图，未学习用户潜在关联对聚合用户特征的影响力，且忽视了不同图源与节点对用户兴趣产生不同的影响。本文设计了一种多级注意力网络聚合异构社交网络信息，它包含节点注意力层和图注意力层，分级学习用户社交邻居影响力和社交异构图网络与用户兴趣图网络的影响力。

2 算法

上述方程展示了如何利用社交网络聚合特征hk+1Sa、hk+1Fa、hk+1Ua与用户—项目兴趣网络聚合特征qk+1a以及前一层社交网络聚合特征hkSa、hkFa、hkUa来分别更新三类社交网络的潜在特征，同时更新k+1层的用户特征hk+1a。其中αk+1Sab、αk+1Fab、αk+1Uab分别表示在三类社交网络GS、GF、GU在第k+1层中对用户a的社交影响力，βk+1ai表示项目i在用户—项目兴趣网络GI的第k+1层对用户a的吸引力。为了学习来自不同类型图源的信息对用户特征产生的影响，本文使用多层注意力网络来对注意力权重进行建模。节点间的社交影响力权重αk+1Sab、αk+1Fab、αk+1Uab计算如下：

2.2.4 预测层

按照上述过程扩散k层后，本文获得了用户和项目的特征集。对于每个用户a，其最终特征ha=［h0a‖h1a‖…‖hKa］。同样，对于每个项目i，它的最终特征va=［v0a‖v1a‖…‖vKa］。之后，将最终的用户特征和项目特征的内积建模为预测评分：

中：R+表示正样本集（真实的用户—项目对）；R-表示负样本集（从R中随机采样的真实并不存在的用户—项目对）；σ（x）是sigmoid函数；Θ=［Θ1，Θ2］是本文模型中使用的正则化参数，Θ1=［P，Q］是在融合层使用的参数集，Θ2=［WS，WF，WU，WI，［MLPi］i=1，2，3，4，5，6，7，8，9］是计算多级注意力时使用的参数集。

本文使用均值为0、标准差为0.01的高斯分布对实验中所有可以参与训练的参数进行初始化。将在实验部分进行详细说明。

2.4 算法框架

本文算法具体执行流程如下。

算法 GATHGN

输入：用户社交关系矩阵S、F、U；用户—项目信息的矩阵R；网络层数l；训练批次p。

输出：经算法计算后得到的用户a的top-k推荐。

begin

根据式（1）～（4）计算矩阵S、F、U和R，得到用户a的三类社交网络的融合特征h0Sa、h0Fa、h0Ua和项目i的融合特征v0i；

训练网络参数：

for i=1～p do

for k=1～l do

根据式（7）（8）计算节点邻居注意力权重；

根据式（5）（6）更新节点特征值；

根据式（20）～（25）计算三类用户社交网络与用户兴趣网络对用户特征的注意力权重；

根据式（17）～（19）计算三类用户社交网络中用户节点聚合的邻居的注意力权重；

根据式（9）～（11）（13）～（16）更新用户在三类社交网络中的用户特征；

根据式（12）更新每一层用户特征的输出；

end for

end for

将每一层的用户特征拼接生成最终的用户特征ha，将每一层的项目节点的特征拼接生成最终的项目特征va；

通过最终的用户特征与最终的项目特征进行内积，计算得到推荐分数；

end

3 实验

3.1 实验设置

3.1.1 数据集选取

本文选取了Yelp和Flickr两个公开的数据集以评估本文算法。其中，Yelp数据集是一个用于个人、教育和学术目的的开放数据集，用户可以根据自己在各类商户游历后的感受，对商户进行打分，分数在0～5分，还可以发表评论并与朋友分享经历和感受等；Flickr数据集是一个由社交分享平台收集的数据集，用户在该社交平台上通过相互点赞、分享图片的形式来展现他们的爱好。

上述两个数据集是具有用户和项目属性的数据集，经过对其内容进行预处理后应用到本文模型中。具体来说，将其原始分值转换为二进制，若原评分大于3，将其转换为1，否则等于0。对于上述两个数据集，本文将评分记录少于2条或者社交关系少于2条的用户剔除，并将被评分次数少于2次的项目剔除。接下来随机抽取10%的数据用做测试，在剩下的90%的数据中，将其中的10%作为验证集，余下的項目作为训练集。表1显示了两个数据集的特征。

3.1.2 评价标准设置

本文采用在top-k推荐中经典的命中率（hits ratio，HR）和归一化折损累计增益（normalized discounted cumulative gain，NDCG）两个评价指标。这两个指标在评判时，其数值越大代表着算法的性能越好。其中，命中率表现的是top-k推荐列表中被正确推荐的项目所占百分比，而归一化折损累计增益则强调的是哪些项目排名更靠前。为了评估本文算法的性能，与一些经典算法所做的工作类似，在每次训练过程中，为用户随机选取1 000个未与其进行过交互的项目作为负样本，然后将与用户交互过的项目作为正样本，并将其与负样本相混合，而后在其中选取前N个作为潜在的用户所喜欢的项目。同时为了降低这个过程中存在的不确定因素，需要重复该过程10次并取其平均值作为排名结果。

3.1.3 对比实验分析

为了验证本文算法的有效性，将本文算法与一些经典算法以及社交推荐领域最新研究成果的算法进行了比较。其中包括经典的基于社交矩阵信息的SociaMF［14］和TrustSVD［15］算法，以及以图神经网络为基础的社交推荐算法NGCF［21］和GraphRec［10］，还有基于社交影响力动态扩散建模的DiffNet［11］和DiffNet++［13］算法与基于知识蒸馏的蒸馏增强型社交网络DESIGN［22］。

3.1.4 参数设置

在具体实验中，依据文献［13］所描述的最优参数，将潜在的特征维度D的值设置为16、32和64，正则化参数设置为0.001，批处理的大小设置为512。对［0.01，0.001，0.000 5］范围的学习率分别进行多次实验后，将Yelp和Flickr数据集的学习率分别设置为0.001与0.000 5，并选用Adam优化器对本文算法进行优化。

3.2 对比实验性能比较

表2、3展示了所有参与对比实验的模型的实验结果。可以看出，相较于基于矩阵信息的推荐算法SoicalMF和Trust-SVD，使用图神经网络的算法GraphRec、NGCF、DiffNet和DiffNet++在推荐性能上都有一定的提升，这证明了图神经网络应用于推荐的有效性。传统的应用图神经网络的推荐算法仅对节点间的显示关系进行建模，未深层挖掘节点间的高阶结构关系。DiffNet和DiffNet++捕捉到用户社交影响力和兴趣影响力的动态扩散信息，使得它们的算法更贴切实际的社会互动，从而获得了更优异的性能。DESIGN训练了一个集成用户社交图与用户—项目图的主模型，并分别为两个图训练一个辅助模型，利用知识蒸馏的方式，使得模型间互补知识，从而在推荐性能上取得进一步提升。本文模型在显式社交关系的基础上，挖掘出深层的用户关联，并基于社交影响力和兴趣影响力，对用户社交关联与项目关系进行统一建模。在信息传递过程中基于注意力机制融合、更新每一层的潜在特征，使得算法进一步贴近现实。在对比实验中，本文算法GATHGN总是优于基线代码。

3.2.1 模型维度影响分析

图3展示了GATHGN与最优基线算法在不同的维度D下进行top-10推荐的性能。由图可见，本文算法随着特征维度的增加，性能不断获得提升，且在多数实验维度下都优于基线代码。在维度D=16时，GATHGN较最优基线算法在推荐性能上提升幅度较低，而随着维度的增加，GATHGN的推荐性能相较于最优基线算法显著提高。其原因在于，基于多层注意力结构的算法，在更大的维度上得以更细致地学习来自各方面信息的影响力，降低因聚合邻居信息带来的噪声，从而使得聚合的用户特征更加贴近实际，而在低维度上难以利用注意力机制学习到更多有效的信息，故在低维度上性能相对不佳，但较基线算法仍有一定提升。

3.2.2 模型性能分析

圖4展示了在维度D=64下top-10的性能，可以看出本文模型GATHGN在整体上都取得了最优的效果，证明了GATHGN在相对高维度上，相较于基线模型有大幅度提升。值得注意的是，通过表3可以发现，相较于Flickr数据集，在数据更为稀疏的Yelp数据集上，GATHGN具有更好的推荐性能。且对于多数基线模型，GATHGN在top-5推荐时的提升最大，同时NDCG的提升普遍高于HR的提升，这说明基于多层注意力结构的GATHGN更倾向于将用户感兴趣的项目排在推荐序列靠前的位置，算法的推荐结果更符合现实的用户需求。

3.2.3 注意力价值分析

表4展示了来自不同图源的信息在第k层对聚合用户特征的影响力平均值，其中γkSa表示直接用户社交图的权重，γkFa表示间接朋友社交图的权重，γkUa表示交互同一项目的用户的社交图权重，γka表示用户—项目兴趣图的权重。值越大，说明该值代表的图源信息在第k层参与聚合时对用户特征的影响力更大，而来自其他图源的信息对聚合用户特征的影响力相对较小。本文模型在k=2时获得了最佳性能，故而展示k=1和2两个传播层。

观察图5可以看到，对于Yelp数据集，项目关联用户的影响力γkUa在k=1和2两个传播层都有较高影响力，说明项目关联用户在每一层聚合用户特征时起着重要的作用。其次，在k=2传播层，项目关联用户的影响力γkUa相对在k=1传播层有大幅度削弱，同时直接社交用户影响力γkSa与间接朋友影响力γkFa有大幅度的提升，表明项目关联用户在k=2传播层对于聚合用户特征的影响力比重降低，而直接社交用户和间接朋友对聚合用户特征有了更大的影响。这可能是因为项目关联用户在聚合后引入了噪声，而直接社交朋友和间接社交朋友因更贴切实际社交影响从而占了更大的影响力。对于Flickr数据集，直接好友关联γkSa有着更强的影响力。同样，在k=2传播层，γkSa相对下降，γkFa与γkUa影响力占比上升。综上可以看出，基于多级注意力结构的GATHGN算法对不同的数据集更具有普适性。

4 结束语

本文提出一种新的模型GATHGN，将用户直接好友关联、用户间接好友关联、用户基于项目关联与项目关系统一建模，以聚合用户间的高阶影响力与高阶用户兴趣，从而逐层更新用户特征。此外，本文设计了多级注意力网络以降低来自不同节点和图源的信息中的噪声，聚合对用户更具有影响力的信息。在两个真实数据集上的优异成绩证明了本文模型的有效性。下一步，为更好地利用用户或项目之间的相邻关系，将引入对比学习增强模型区分不同用户节点和图源信息对聚合用户特征的差异性的能力，从而提升模型的推荐性能与泛化能力。

参考文献：

［1］赵梦媛，黄晓雯，桑基韬，等.对话推荐算法研究综述［J］.软件学报，2022，33（12）：4616-4643.（Zhao Mengyuan，Huang Xiaowen，Sang Jitao，et al.Survey on conversational recommendation algorithms［J］.Journal of Software，2022，33（12）：4616-4643.）

［2］Koren Y，Bell R，Volinsky C.Matrix factorization techniques for recommender systems［J］.Computer，2009，42（8）：30-37.

［3］Resnick P，Iacovou N，Suchak M，et al.GroupLens：an open architecture for collaborative filtering of netnews［C］//Proc of ACM Confe-rence on Computer Supported Cooperative Work.New York：ACM Press，1994：175-186.

［4］Ma Hao，Yang Haixuan，Lyu M R，et al.SoRec：social recommendation using probabilistic matrix factorization［C］//Proc of the 17th ACM Conference on Information and Knowledge Management.New York：ACM Press，2008：931-940.

［5］Wu Jiahao，Fan Wenqi，Chen Jingfang，et al.Disentangled contrastive learning for social recommendation［C］//Proc of the 31st ACM International Conference on Information & Knowledge Management.New York：ACM Press，2022：4570-4574.

［6］Song Changhao，Wang Bo，Jiang Qinxue，et al.Social recommendation with implicit social influence［C］// Proc of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2021：1788-1792.

［7］Fu Bairan，Zhang Wenming，Hu Guangneng，et al.Dual side deep context-aware modulation for social recommendation［C］//Proc of Web Conference.New York：ACM Press，2021：2524-2534.

［8］蔡瑞初，吴逢竹，李梓健.基于图生成过程的跨领域推荐［J］.计算机应用研究，2022，39（8）：2333-2339.（Cai Ruichu，Wu Fengzhu，Li Zijian.Cross-domain recommendation under graph generation process ［J］.Application Research of Computers，2022，39（8）：2333-2339.）

［9］Sharma K，Lee Y C，Nambi S，et al.A survey of graph neural networks for social recommender systems ［EB/OL］.（2022-12-12）.https：//arxiv.org/abs/2212.04481.

［10］Fan Wenqi，Ma Yao，Li Qing，et al.Graph neural networks for social recommendation ［C］//Proc of  World Wide Web Conference.New York：ACM Press，2019：417-426.

［11］Wu Le，Sun Peijie，Fu Yanjie，et al.A neural influence diffusion mo-del for social recommendation［C］//Proc of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2019：235-244.

［12］Song Yuzhi，Ye Hailiang，Li Ming，et al.Deep multi-graph neural networks with attention fusion for recommendation［J］.Expert Systems with Applications，2022，191（C）：116240.

［13］Wu Le，Li Junwei，Sun Peijie，et al.DiffNet+：a neural influence and interest diffusion network for social recommendation［J］.IEEE Trans on Knowledge and Data Engineering，2020，34（10）：4753-4766.

［14］Jamali M，Ester M.A matrix factorization technique with trust propagation for recommendation in social networks［C］// Proc of the 4th ACM Conference on Recommender Systems.New York：ACM Press，2010：135-142.

［15］Guo Guibing，Zhang Jie，Yorke-Smith N.TrustSVD：collaborative filtering with both the explicit and implicit influence of user trust and of item ratings［C］//Proc of the 29th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2015：123-129.

［16］Lin Zihan，Tian Changxin，Hou Yupeng，et al.Improving graph colla-borative filtering with neighborhood-enriched contrastive learning［C］//Proc of ACM Web Conference.New York：ACM Press，2022：2320-2329.

［17］Pan Zhiqiang，Cai Fei，Chen Wanyu，et al.Graph co-attentive session-based recommendation［J］.ACM Trans on Information Systems，2021，40（4）：article No.67.

［18］張程东，王绍卿，刘玉芳，等.采用新型元路径的异构图表示学习方法［J］.计算机科学与探索，2023，17（7）：1680-1689.（Zhang Chengdong，Wang Shaoqing，Liu Yufang，et al.A method of heterogeneous graph representation learning using novel meta-path［J］.Journal of Frontiers of Computer Science and Technology，2023，17（7）：1680-1689.）

［19］徐上上，孙福振，王绍卿，等.基于图神经网络的异构信任推荐算法 ［J］.计算机工程，2022，48（9）：89-95，104.（Xu Shangshang，Sun Fuzhen，Wang Shaoqing，et al.Heterogeneous trust recommendation algorithm based on graph neural networks［J］.Computer Engineering，2022，48（9）：89-95，104.）

［20］孙开伟，刘松，杜雨露.基于属性图注意力网络的电影推荐模型［J］.计算机科学，2022，49（S2）：294-301.（Sun Kaiwei，Liu Song，Du Yulu.Movie recommendation model based on attribute graph attention network［J］.Computer Science，2022，49（S2）：294-301.）

［21］Wang Xiang，He Xiangnan，Wang Meng，et al.Neural graph collaborative filtering［C］//Proc of the 42nd International ACM SIGIR Confe-rence on Research and Development in Information Retrieval.New York：ACM Press，2019：165-174.

［22］Tao Ye，Li Ying，Zhang Su，et al.Revisiting graph based social recommendation：a distillation enhanced social graph network［C］//Proc of ACM Web Conference.New York：ACM Press，2022：2830-2838.

［23］孫伟，陈平华，熊建斌，等.基于双端知识图的图注意推荐模型［J］.计算机工程与应用，2022，58（20）：141-147.（Sun Wei，Chen Pinghua，Xiong Jianbin，et al.Graph attention recommendation model based on dual-end knowledge graph［J］.Computer Engineering and Applications，2022，58（20）：141-147.）

［24］荣沛，苏凡军.基于知识图注意网络的个性化推荐算法［J］.计算机应用研究，2021，38（2）：398-402.（Rong Pei，Su Fanjun.Perso-nalized recommendation algorithm based on knowledge graph attention network［J］.Application Research of Computers，2021，38（2）：398-402.）

［25］Wu Qitian，Zhang Hengrui，Gao Xiaofeng，et al.Dual graph attention networks for deep latent representation of multifaceted social effects in recommender systems［C］//Proc of World Wide Web Conference.New York：ACM Press，2019：2091-2102.

［26］Yang Liangwei，Liu Zhiwei，Wang Yu，et al.Large-scale personalized video game recommendation via social-aware contextualized graph neural network［C］//Proc of ACM Web Conference.New York：ACM Press，2022：3376-3386.

收稿日期：2023-03-27；修回日期：2023-04-28 基金项目：国家自然科学基金资助项目（61841602）；山东省自然科学基金资助项目（ZR2020MF147）

作者简介：吴相帅（1997-），男，山东济南人，硕士研究生，CCF会员，主要研究方向为推荐系统；孙福振（1978-），男（通信作者），山东淄博人，硕导，博士，CCF会员，主要研究方向为计算机视觉、数据挖掘和数据分析等（sunfuzhen@sdut.edu.cn）；张文龙（1999-），男，山东淄博人，硕士研究生，主要研究方向为推荐系统；张志伟（2000-），男，山东东营人，硕士研究生，主要研究方向为推荐系统；王绍卿（1981-），男，硕导，博士，CCF会员，主要研究方向为推荐系统、数据挖掘等．