基于高阶和时序特征的图神经网络社会推荐研究
本文研究了基于高阶和时序特征的图神经网络社会推荐算法，旨在解决社交关系整合到推荐系统中的问题。该算法使用门控递归单元对基于项目的用户表征进行建模，以反映用户的近期动态偏好，并定义一个高阶建模单元来提取用户的高阶连通特征，挖掘用户的隐式朋友信息。然后，使用注意力机制获取基于社交关系的用户表征，并将用户和项目的潜在表征输入到多层感知机，完成用户对项目的评分预测。
知识点：
1. 社会化推荐算法：将社交关系整合到推荐系统中的方法，以提高推荐系统的性能。
2. 图神经网络：一种深度学习模型，能够学习图结构数据的表示，适用于社交网络数据的处理。
3. 高阶特征：指用户的高阶连通特征，能够反映用户的社交关系和隐式朋友信息。
4. 时序特征：指用户的时序信息，能够反映用户的近期动态偏好。
5. 门控递归单元：一种神经网络模型，能够对基于项目的用户表征进行建模，以反映用户的近期动态偏好。
6. 注意力机制：一种机制，能够获取基于社交关系的用户表征，并将用户和项目的潜在表征输入到多层感知机。
7. 多层感知机：一种神经网络模型，能够完成用户对项目的评分预测。
8. 社交网络图：一个图结构数据，表示用户之间的社交关系。
9. 用户－项目交互图：一个图结构数据，表示用户和项目之间的交互关系。
10. 时序信息：指用户的时序信息，能够反映用户的近期动态偏好。
11. 隐式朋友关系：指用户之间的隐式朋友关系，能够反映用户的社交关系。
12. 高阶建模单元：一种模型，能够提取用户的高阶连通特征，挖掘用户的隐式朋友信息。
13. 图神经网络社会推荐算法：一种基于图神经网络的社会推荐算法，能够学习社交关系和用户行为，提供个性化的推荐结果。
14. 社会化推荐系统：一个系统，能够将社交关系整合到推荐系统中，以提高推荐系统的性能。
15. 个性化推荐：一种推荐方法，能够根据用户的个性化需求提供推荐结果。
