社会化商务中融合高阶社交影响力与兴趣传播的评分预测

这是一篇关于社交影响力,协同兴趣,异构图,图卷积网络的论文, 主要内容为互联网发展迅速,日渐深入地渗透到人们日常生活中,用户借助手机、电脑等智能设备可以非常方便地获取信息,信息获取成本越来越低,数据呈指数化增长。面对海量的信息,用户如何短时间内找到想要的信息成为关键。信息过滤已成为人们日常生活中不可或缺的一部分,而推荐系统就是信息过滤最有效的方法之一。推荐系统的核心思想是,针对用户历史行为数据,学习精确的用户和项目嵌入向量表示,以更好地反映用户偏好。虽然,传统基于协同过滤的推荐模型提出了一种从用户-项目历史交互数据中学习用户和项目嵌入的方法。但是,由于相较于用户和项目的数量,用户的历史行为数据稀疏,缺少足够的数据支撑,限制了模型性能。随着在线社交网络的发展,模型考虑把用户近邻信息作为辅助数据,融合用户历史评分数据和社交信息建模用户特征。在真实场景中,用户在进行决策时,除了自身兴趣偏好,还会受到其好友的影响,而这些好友又受到他们可信好友的偏好影响。社交影响力通过多层社交关系递归传播和扩散,用户的兴趣在这个扩散过程中也在发生变化。然而,当前的社会化推荐模型认为用户的社交网络是静态的,仅考虑用户的局部社交网络,利用用户与其一阶近邻之间的信息传播,往往忽略社交网络中信息的深层递归传播,用户的一阶社交关系也是稀疏的,导致模型推荐性能欠佳。由于用户是多种关系网络的核心,其在社交网络和兴趣交互网络中都至关重要,每个用户的潜在项目兴趣不仅体现在用户交互评分过的项目,还受到相似用户对项目兴趣的影响。因此,本文提出了一个融合高阶社交影响力和潜在协同兴趣信息的传播模型(GraphSI),在设计的统一框架下对用户高阶社交关系和潜在协同兴趣进行建模,以更好地进行推荐。具体来说,1)将用户与项目的多种关系网络构建成一个包含用户社交网络、兴趣网络和项目关联网络的异构图,捕捉用户-用户社交网络图中的近邻影响并挖掘用户-项目交互网络中潜在协同兴趣,输入到用户嵌入学习过程中。2)通过从用户初始嵌入、高阶社交关系和用户兴趣传播聚合三个方面迭代地聚合每个用户的嵌入来更好地表示用户。3)根据用户-项目交互信息,构建项目-项目关联网络,捕捉项目之间的关联信息,通过从项目初始嵌入、用户深层兴趣传播和项目关联信息聚合三个方面迭代更新项目嵌入以更好地表示项目。其中利用简化的图卷积神经网络在异构图中执行节点特征传播,其通过来自邻居节点的迭代卷积聚合递归地传播节点特征更新节点嵌入表示。构建的异构图中涉及三个子图网络,不同用户对社交和兴趣的偏重不同,通过设置一个多层注意力网络,学习图中邻域节点对目标节点的权重影响以及区分不同网络对用户决策的重要程度。在相同数据集下,分别与基于协同过滤思想、基于深度学习技术的推荐等模型进行对比试验,分析高阶社交影响力和兴趣传播以及项目关联信息对推荐的影响,通过实验证明提出模型的有效性。

基于异构图的个性化推荐研究

这是一篇关于推荐系统,深度学习,异构图,图神经网络,注意力机制的论文, 主要内容为个性化推荐能够帮助用户过滤无用信息并快速定位到用户感兴趣的内容,能够极大地提升用户体验,已经成为在线服务中不可缺少的工具。推荐算法决定了推荐系统性能的优劣。得益于大数据时代的来临和计算机算力的提升,在融合了不同前沿技术的各类推荐算法中,以深度学习为基础的推荐算法大幅度提升了推荐模型的性能。这其中,最近火热的图神经网络(Graph Neural Network,以下简称为GNN)由于其能够方便且高效地聚合节点的特征以及很好地学习节点周围的拓扑结构,被广泛应用于各行各业。然而,现有基于GNN的方法往往聚焦于用户-物品二部图的建模,对于节点的辅助信息的融合则采取较为简单的策略,无法有效挖掘隐含节点特征中的高阶信息,这无疑损害了模型的泛化能力。针对以上问题,本文以传统的GNN推荐模型为基础进行改进,在原有用户-物品二部图的基础上,以异构图的形式构建了相应的特征图与知识图。本文通过将二部图和异构图有机地结合,挖掘协同信息与辅助信息之间深层次的联系,用以丰富用户和物品的最终表示,进而达到提高推荐准确率的目的。本文主要研究内容如下:(1)基于特征图的协同过滤个性化推荐模型(Feature Graph Collaborative Filtering for Personalized Recommendation,以下简称为FGCF)在用户-物品二部图的基础上利用用户和物品的特征图来深入挖掘用户的偏好以提升推荐性能。FGCF模型通过图神经网络和注意力机制这两种技术分别挖掘两种图中潜藏的协同信息和高阶特征信息,进而计算得到最终的预测评分。实验结果表明,本文提出的模型相对于传统基于二部图的GNN模型有一定程度的提升。(2)基于知识图谱的特征交互图神经网络个性化推荐模型(Feature Interactive Graph Neural Network for KG-based Personalized Recommendation,以下简称为FIKGRec)在FGCF的基础上增加了物品的知识图谱作为辅助信息。现有融合了知识图谱信息的图神经网络方法忽略了信息传递和信息聚合过程中的节点交互,会大大限制模型的性能。为了解决上述问题,在物品端建模中,FIKGRec模型通过改进的图神经网络推荐算法来挖掘知识图谱中潜藏的结构信息和语义信息,将用户-物品二部图中的协同信号和知识图谱中的知识信号有机地结合起来,通过聚合这两种信号最终得到了物品节点的最终表示;在用户端建模中,模型利用用户-物品交互图和设计的新型偏好感知的注意力机制进行建模,最终计算得到用户节点的最终表示;最后,利用神经网络进一步捕获二者之间的深层交互信息。实验结果表明,本文提出的模型不仅大幅提升了模型的性能也极大程度上缓解了数据稀疏性冷启动问题。

基于用户长期偏好建模的推荐系统研究

这是一篇关于推荐系统,图卷积网络,异构图,动态图的论文, 主要内容为当今世界,海量信息充斥着每个人的生活,信息化时代的来临不仅使社会生产和人类生活速度有了飞速的提高,同时也产生了大量的信息,“信息过载”问题也由此加重。对广大用户来说,信息过载带来的一个主要问题是:巨量冗余的信息将极大干扰用户对其所需信息的准确选择。怎样从如此巨量的数据中快速获得更有用的信息是当前存在的一个主要问题。推荐系统技术应运而生,它可以预测用户的需求并推荐给用户其最可能喜欢的内容,有效降低了人们在互联网上寻找感兴趣的产品或信息的访问时间。推荐系统中对于用户偏好(兴趣点)捕捉方面的研究颇多,传统的基于图神经网络的推荐系统中,捕捉用户偏好的方法是将经典的图神经网络模型或者其变形作为学习图中节点表示的方式。其基本原理是将二部图输入到图卷积神经网络中,进行相邻节点间的消息传递,聚合节点邻域信息,捕捉用户-项目交互图中的深层的节点信息从而学习用户的偏好以及项目的节点特征。然而,现有的工作并没有充分考虑动态的用户-项目交互图中的异构性和动态性,或者没有将异构信息和动态信息同时应用到对用户长期偏好的学习中。基于上述考虑,我们基于图神经网络提出了在用户行为数据学习异构信息和动态信息的模型。本论文的主要工作如下:(1)本文针对用户与项目交互信息中的异构信息捕捉不充分的问题,设计了面向异构网络的图神经模型HGCN,使用图神经模型的信息传递机制对二部图中的潜在的异构信息进行挖掘,帮助用户节点和项目节点聚合其周围的其他类型的节点信息。在得到的节点特征的基础上,使用图注意力网络学习二部图中更深层的异构信息。通过以上方式,能够在抽取二部图内节点高阶邻域信息的同时结合异构信息。(2)本文以捕捉用户长期偏好为出发点,设计了针对用户-项目交互动态图的图神经网络:LPre(Long-term Preferences of Users)。该模型在使用多层HGCN和图注意力网络捕捉异构信息的同时,结合自注意力机制融入时序信息捕捉图的动态变化。接着我们基于对异构信息的考虑对LPre模型进行优化提出LPre+,同时学习用户长期偏好特征以及项目节点的长期演化特征。本文在三个用户行为数据集上对本文提出的LPre和LPre+模型进行用户-项目交互预测实验,并且与多个主流的基线方法作对比,结果表明本文模型在不同的数据集下都具有显著的优势。

基于图神经网络的层级文本分类

这是一篇关于层级性多标签文本分类,图神经网络,表示学习,异构图的论文, 主要内容为作为自然语言处理(Natural Language Processing,NLP)中的一个基本问题,文本分类是根据文本内容将给定文档分配到一个或多个类别的任务。根据每个文档对应类别标签的数量,文本分类可以分为单标签文本分类和多标签文本分类。在实际任务中,许多文档都可以归类到多个类别,而这些类别之间也存在着一些联系,可以组织成树或有向无环图。将多个层次结构的类别分配给文档的任务称为层级性多标签文本分类任务(Hierarchical Multi-label Text Classification,HMTC)。在层级性多标签文本分类任务中,和一个文本匹配的类别可以在多个层次结构中同时出现,任务中需要匹配到所有和文本相关联的类别。层级性多标签文本分类任务在现实中也有着一些应用,比如在电商平台上,商品标签是层级性的,如饰品-服配-围巾或饰品-眼镜-太阳镜。根据商品的文本描述,对商品进行分类就是一个层级性多标签文本分类任务。现有的层级性多标签文本分类的方法大致可以分为传统方法和基于深度学习的方法两类,从分类效果来说,在大多数层级性多标签文本分类数据集上基于深度学习的方法性能更好。然而其中的大部分方法只是简单地把类别标签当做监督信息,或者简单地利用标签的嵌入表示,而没有发现标签在引导词向量嵌入表示的学习上也有着充分的作用。此外,其中的大部分工作只考虑到了不同层级的标签之间的垂直相关性,而忽略了同一层级的标签之间的水平相关性。本文提出的第一个工作是基于标签语义引导松耦合异构图卷积网络(Loosely Coupled Heterogeneous Graph Convolutional Neural Networks,LCHGCN)。LCHGCN能够学习单词、文档和标签的嵌入表示。而在其他模型中,经常忽略标签节点在引导学习单词嵌入中的作用,也忽略了标签节点的嵌入表示在分类任务中的作用。此外,LCHGCN没有使用紧耦合的方法,将所有的节点加入到一张图中,而是将单词节点和标签节点作为核心图,将文档节点和单词节点作为单词-文档图。这种划分方法在降低运算复杂度的同时,也能有效避免在图神经网络层级过高时发生的过平滑[1](over-smoothing)问题。此外,核心图中只采用单词节点和标签节点,也可以避免不同种类节点引导单词表示学习时发生的信息混淆问题。本文提出的第二个工作是基于标签间垂直和水平结构的层级性多标签文本分类框架(Horizontally and Vertically Hierarchical Multi-label Text Classification,HVHMC)。以往的工作在处理标签结构时,往往能考虑到各层级之间的垂直依赖,然而忽略了同一层级标签之间的水平依赖。我们提出的HVHMC考虑了标签结构之间水平和垂直两方面的依赖关系,使得模型更能捕获到类别和文档之间的关联。我们将本文提出的两个方法应用到了三个有现实意义的层级性多标签文本分类数据集上,实验结果表明本工作中的方法有着最好的性能,这证明了我们方法的有效性。

基于异构图神经网络预训练的云工作流性能预测

这是一篇关于图神经网络(GNN),预训练,云工作流,异构图,工作流性能预测的论文, 主要内容为云技术的出现,让网络环境中的多项资源实现了共享,实现了资源的有效利用和集中管理。然而近年来,受益于技术驱动、产业需求以及新基建的推进,云计算迅速发展,资源、用户、任务和工作流的规模不断扩大,如何有效的组织海量资源,应对随机波动的需求,通过及时的伸缩控制成本,同时保障流程服务质量,云资源调度与云服务运作优化成为重要的研究领域,也是企业和学术界共同关注的系列问题。特别是近年来容器化高密度混合云的普及,各类大数据集群服务与微服务在各类边端云上混合部署,面向各类用户需求灵活组合而成的复杂流程应用,成为不仅仅是云中智能运维,更是面向核心业务优化的重点管理对象,而对流程运行中未来任务各关键指标的趋势估计和预测是有效的智能化调度的重要前提。因此,本文旨在解决云工作流中未来任务的性能预测问题。经研究发现,目前学术界关于云工作流性能预测问题的研究难点有三。第一,真实场景下的云工作流数据获取困难,目前研究大都基于仿真数据;第二,目前学术界关于云工作流性能的预测大都基于单个虚拟机、实例、单个任务或单个主机,并没有将整个云工作流看作一个整体,缺少上下文信息;第三,少量研究将云工作流性能预测视为时间序列预测问题,考虑了云工作流的整体性,然而,在这些研究中,云工作流收集的序列信息和任务之间的依赖关系是有限的和粗粒度的,导致对图结构的利用不足。为实现云工作流中指定任务的某一指标预测。首先,针对云工作流数据具有的有向无环图(DAG图数据结构)、数据结构不规则、任务节点稀少等特性,经过对相关经典问题的总结,本文选取图神经网络(Graph Neural Network)这一深度学习算法对云工作流性能进行预测,该算法具有天然的图结构特性,可以充分利用云工作流的图结构。其次,考虑到真实场景中云工作流调度的规模性、实时性的现实意义,本文提出了一种适用于图神经网络(Graph Neural Network)的预训练模型,通过预训练模型学习云工作流中的共性特征,随后通过迁移学习将预训练参数迁移到目标数据集中进行微调,这种方法极大的节约了计算成本和时间成本,并且通过实验发现对预测模型的精确度也有提高。最后,为体现本研究的现实意义,对阿里云集群日志数据进行了跟踪并将相关数据集应用到实验场景中,本次实验将云工作流中最后一个任务节点的cpu平均利用率的平均值(meanca)作为预测目标,实验结果验证了在云工作流性能预测中加入预训练的优势。因此,本文研究对于解决企业如何高效灵活的对云工作流性能预测问题具有一定的参考价值。另外,为提高模型精度,研究提出了一种面向类似于云工作流的图结构数据的数据处理方法,在图中插入虚拟节点构造异构图以消除云工作流中的孤立节点,并在节点特征中加入13个图论特征进行特征补充和表征学习,以此获取更多与工作流结构相关的特征,使图神经网络能够更深入地理解图结构。并且提出了适用于云工作流的图结构的随机节点遮盖的预训练机制以此提升模型的学习能力和泛化能力,让工作流中的节点特征以一定的概率进行遮盖,模型需要利用其他节点的特征和工作流中的图结构来恢复被遮盖的节点特征。通过大量的实验验证,结果表明了“随机节点遮盖预训练+异构图注意力网络”架构在云工作流性能预测中的适用性和有效性,以及图论特征和虚拟节点对图结构数据的效果。并且,在工业4.0的背景下,工作流程中未来任务的预测对运营和维护都有帮助。本文提出的算法不仅局限于云工作流性能的预测,对于与本文研究类似的图结构数据的预测也提供了一定的理论参考。该研究提示了企业在有效管理云计算时仅借助简单统计来进行资源估计的弊端。同时预训练也是一种应对积累海量数据的创新管理模式,能综合缩短预测模型迭代周期且提高预测性能。

基于异构图卷积网络的情感分析方法研究

这是一篇关于方面级情感分析,异构图,图卷积网络,知识库的论文, 主要内容为随着互联网时代的到来,很多新潮网络应用也应运而生,比如包括淘宝,京东等在内的大型网络电商平台,或者囊括了小红书,微博等的广播式社交网络平台。在这种时代潮流的影响下,越来越多的青年人甚至老年人都摇身一变成了资深网友。与以往相比,网友们越来越喜欢在网络上发表自己的观点与见解,这些内容往往蕴含着巨大的价值。鉴于此种情况,用户情感观点分析和兴趣挖掘等方法逐渐成为了当下热点,那么应该如何更精准的分析判断用户的情感极性是一个迫在眉睫的问题。方面级情感分析旨在识别上下文句子中某个方面的情感极性。现有的情感分析方法只是简单地结合语法依赖树来构造图卷积,通常情绪的某一方面有时由几个词就能够决定,完全依赖语法树可能会分散模型的注意力。另外,由于语料库的限制,模型只能够学习有限的知识。为了解决上述限制,本文提出了一种基于方面依赖的异构图卷积网络模型用于情感分类任务,模型对依赖树进行了剪枝操作,通过Multi-Head-Attention直接为句子中的每个单词选择注意力得分最高的k个单词,这可以减少其他无关信息对结果的影响。此外,模型通过构建异构图将单词之间的多种特征关系进行融合,并应用GCN为每个节点寻求有意义的表示。它使模型在原有的基础上进一步整合了多种信息,不再单纯依赖于一种关系。同时,本文将引入Sentic Net5常识性知识库来参与异构图的构建,让模型能够学习语料库以外的知识,从而提高情感分类的准确性。本文一共选取了五个数据集,并在每个数据集上都进行了实验来验证模型的分类效果。为了充分说明论文所提出模块的有效性,本文还采用了消融实验的方法进行深入论证。此外,还对模型的两个参数选择进行统计分析。最后,本文还对实验结果进行了可视化分析。

基于多行为异构图的检验检测服务推荐算法研究

这是一篇关于推荐系统,检验检测,异构图,深度学习,变分自编码器,对比学习的论文, 主要内容为现阶段各行业中都涌现出了大量的个性化推荐需求,包括检验检测领域等。推荐算法促进了各领域技术的进步,为领域的发展带来了新的机遇。然而,将推荐算法应用在特定领域需要从零开始构架数据体系,这非常依赖专家对具体领域特征进行分析。本文针对检验检测领域用户与项目交互的数据特点,在检验检测领域实际场景应用推荐算法。并且考虑引入用户多行为推荐算法解决检验检测领域应用存在的领域限定性强、冷启动等问题。为此开展基于多行为的异构图检验检测推荐算法研究,主要工作有:(1)首先提出基于图卷积网络的异构图多行为推荐模型(Multi-Behavior Heterogeneous Contrastive learning Recommendation,MBHCR)。根据用户多行为交互信息的复杂性设计了多行为统一异构图,在区分多种行为差异的同时保留它们的完整语义信息。并且使用多行为关系聚合器仅对多行为统一异构图进行一次建模,来捕获用户与其不同交互行为的潜在共性表示,并且缓解用户稀疏性。同时设计了行为对比学习增强器来补充行为视图上用户目标行为与辅助行为之间的交互差异,提取有效信息。最后,MBHCR在所有的情况下结果都始终优于所有的基线,该模型在Beibei的数据集上平均提高了20%,在Yelp的数据集上平均提高了7%,多行为模型最佳结,果与单行为最佳结果在Recall@40and NDCG@40分别提高50%、163%,证明了该模型的有效性。(2)多行为交互为推荐模型提供了更全面而复杂的交互信息。然而,现在的方法常建模用户不同交互之间的关系,通过若干超参数控制模型,导致模型过度参数化的问题。本文提出了一种新的基于多行为异构图的变分自编码器框架(Variational auto-encoder heterogeneous Graph Multi-behavior Recommendation,V-GMR)用于多行为推荐,来高效捕获用户行为偏好的同时解决上述问题。首先引入了V-GMR变分自编码器利用特征编码来学习特征,以便很好的捕获多行为信息的特征表示。然后,进一步创建信息融合层将目标行为与潜在辅助偏好特征融合。最后本文在三个数据集上进行验证,实验表明V-GMR推荐性能与最新的基线相比性能得到提高。(3)为了在检验检测领域应用推荐算法,首先收集清洗整理检验检测领域用户项目多行为交互信息,并利用Mysql数据库系统对其进行存储。通过实验对比,将设计的V-GMR应用于检验检测领域推荐系统中,并设计可视化界面,针对检验检测领域场景应用和功能需求,为用户提供高效的项目推荐结果。

基于图神经网络的虚假评论群组检测算法

这是一篇关于虚假评论群组,异构图,图神经网络,聚类,InfoMap算法的论文, 主要内容为电商平台中的用户在购买商品时,通常会参考之前消费者的历史评论信息。因此,许多不良商家通过雇佣水军对商品进行虚假评论,以损害其他用户权益和平台利益为代价,从中谋取非法暴利。这种水军团伙称为虚假评论群组,与单个虚假评论者相比,虚假评论群组对电商平台的危害更大,严重影响了电子商务企业的可持续发展。许多研究学者对虚假评论群组检测进行了研究,但是仍存在了一些问题。例如,一些现有的检测方法无法充分挖掘用户与商品之间的交互信息,使得用户嵌入不能全面的表示用户特征,限制了检测算法的性能。此外,一部分研究侧重于人工构建检测指标,然而这种方式不仅效率低下,而且设计的指标难以应对不同的数据集。针对上述问题,本文对虚假评论群组检测提出两种解决方案。首先,针对现有方法不能充分挖掘用户与商品之间的交互关系,导致节点嵌入表示效果不佳的问题,提出一种基于图卷积网络的虚假评论群组检测算法。该算法通过构建一个层注意力图卷积网络模型(LAGCN)进行用户特征向量的表示。LAGCN通过图卷积网络深度挖掘用户之间的潜在联系,并通过注意力机制将不同层的嵌入加权求和,从而更全面深入地表示节点的特征。在得到用户节点的特征向量之后,对其进行聚类将用户划分到不同的候选群组中,并提出指标对候选群组进行判别。其次,为了解决多数研究方法侧重于通过人工特征工程构建检测指标,并且所提指标难以应付不同数据集的问题,提出一种基于半监督图神经网络的虚假评论群组检测算法。该算法不再依赖人工提出检测指标,而是通过构建一个半监督图神经网络模型,对带少量标签的单个用户进行训练,学习预测所有用户的标签。之后再通过获取的标签生成指标,以此来代替人工提取指标进行群组检测。最后,将本文所提的两种算法和现有的四种算法在Amazon数据集和Miami数据集上进行了实验,并对实验结果进行了对比分析。

社会化商务中融合高阶社交影响力与兴趣传播的评分预测

这是一篇关于社交影响力,协同兴趣,异构图,图卷积网络的论文, 主要内容为互联网发展迅速,日渐深入地渗透到人们日常生活中,用户借助手机、电脑等智能设备可以非常方便地获取信息,信息获取成本越来越低,数据呈指数化增长。面对海量的信息,用户如何短时间内找到想要的信息成为关键。信息过滤已成为人们日常生活中不可或缺的一部分,而推荐系统就是信息过滤最有效的方法之一。推荐系统的核心思想是,针对用户历史行为数据,学习精确的用户和项目嵌入向量表示,以更好地反映用户偏好。虽然,传统基于协同过滤的推荐模型提出了一种从用户-项目历史交互数据中学习用户和项目嵌入的方法。但是,由于相较于用户和项目的数量,用户的历史行为数据稀疏,缺少足够的数据支撑,限制了模型性能。随着在线社交网络的发展,模型考虑把用户近邻信息作为辅助数据,融合用户历史评分数据和社交信息建模用户特征。在真实场景中,用户在进行决策时,除了自身兴趣偏好,还会受到其好友的影响,而这些好友又受到他们可信好友的偏好影响。社交影响力通过多层社交关系递归传播和扩散,用户的兴趣在这个扩散过程中也在发生变化。然而,当前的社会化推荐模型认为用户的社交网络是静态的,仅考虑用户的局部社交网络,利用用户与其一阶近邻之间的信息传播,往往忽略社交网络中信息的深层递归传播,用户的一阶社交关系也是稀疏的,导致模型推荐性能欠佳。由于用户是多种关系网络的核心,其在社交网络和兴趣交互网络中都至关重要,每个用户的潜在项目兴趣不仅体现在用户交互评分过的项目,还受到相似用户对项目兴趣的影响。因此,本文提出了一个融合高阶社交影响力和潜在协同兴趣信息的传播模型(GraphSI),在设计的统一框架下对用户高阶社交关系和潜在协同兴趣进行建模,以更好地进行推荐。具体来说,1)将用户与项目的多种关系网络构建成一个包含用户社交网络、兴趣网络和项目关联网络的异构图,捕捉用户-用户社交网络图中的近邻影响并挖掘用户-项目交互网络中潜在协同兴趣,输入到用户嵌入学习过程中。2)通过从用户初始嵌入、高阶社交关系和用户兴趣传播聚合三个方面迭代地聚合每个用户的嵌入来更好地表示用户。3)根据用户-项目交互信息,构建项目-项目关联网络,捕捉项目之间的关联信息,通过从项目初始嵌入、用户深层兴趣传播和项目关联信息聚合三个方面迭代更新项目嵌入以更好地表示项目。其中利用简化的图卷积神经网络在异构图中执行节点特征传播,其通过来自邻居节点的迭代卷积聚合递归地传播节点特征更新节点嵌入表示。构建的异构图中涉及三个子图网络,不同用户对社交和兴趣的偏重不同,通过设置一个多层注意力网络,学习图中邻域节点对目标节点的权重影响以及区分不同网络对用户决策的重要程度。在相同数据集下,分别与基于协同过滤思想、基于深度学习技术的推荐等模型进行对比试验,分析高阶社交影响力和兴趣传播以及项目关联信息对推荐的影响,通过实验证明提出模型的有效性。