社交推荐中基于知识感知网络的高效图去噪方法
摘 要：社交推荐系统通过整合用户社交关系和用户-项目交互数据实现个性化推荐。在实际的社交网络中普遍存在冗余关系与噪声的连接，严重降低了社交推荐系统的性能效果。为解决这一问题，本文提出了一种基于知识感知网络（knowledge-aware network, KAN）的社交推荐图去噪方法（graph denoising method for social recommendation, GDMSR），命名为 KAN-GDMSR，融合傅里叶频域建模、边置信度自适应评估与多层正则化控制机制，有效提升社交图结构的表达质量与推荐鲁棒性。实验结果表明：KAN-GDMSR 在推荐的精度、效率和鲁棒性等方面均取得了显著效果。与基线方法GDMSR 相比，KAN-GDMSR 在 N@10 和 R@10 这两个指标上分别平均提高了 12.7%与 11.3%，同时训练时间缩短了约 23.5%。本研究方法为社交推荐系统中的图去噪建模提供新的思路，为后续高噪声环境下、复杂度高的推荐系统设计提供理论支撑和依据。
论文下载：