Joint item recommendation and trust prediction with graph neural networks

不信任 计算机科学 杠杆(统计) 任务(项目管理) 推荐系统 社交网络(社会语言学) 社会关系 人工智能 人工神经网络 图形 社会化媒体 机器学习 万维网 心理学 社会心理学 理论计算机科学 经济 管理 心理治疗师
作者
Gang Wang,Hanru Wang,Junqiao Gong,Jingling Ma
出处
期刊:Knowledge Based Systems [Elsevier]
卷期号:285: 111340-111340 被引量:2
标识
DOI:10.1016/j.knosys.2023.111340
摘要

Item recommendation and trust prediction are desired by users on social network platforms since they can help users find their favourite items or friends faster. Existing methods usually utilize users' social relationships to facilitate the item recommendation task and leverage users' preferences to assist the trust prediction task. While sociological researchers have shown that users' preferences and users' social relationships are not isolated but influenced by each other, there are a few studies that model these two tasks jointly. However, in these studies, the incorporation of distrust relations and the dynamic item-specific mutual influence between users' preferences and users' social relationships are ignored. In this paper, we propose a joint learning method using graph neural networks for item recommendation and trust prediction tasks, named JoRTGNN. First, users' distrust relations are incorporated along with trust relations to extract more potential user social relationships, which can benefit both the item recommendation and trust prediction tasks. In addition, a dynamic item-specific mutual influence between users' preferences and users' social relationships is highlighted with attention mechanisms for the joint learning tasks. Experiments have been conducted on the Epinions datasets, and the experimental results show a superior performance of JoRTGNN over baselines in item recommendation and trust prediction tasks, which demonstrates that item recommendation and trust prediction can be effectively improved in the process of the mutual influence between users' preferences and users' social relationships.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1461完成签到 ,获得积分10
1秒前
卫卫完成签到 ,获得积分10
3秒前
aowulan完成签到 ,获得积分10
12秒前
元宝完成签到 ,获得积分10
19秒前
南风完成签到 ,获得积分10
21秒前
xiahongmei完成签到 ,获得积分10
22秒前
fev123完成签到,获得积分10
22秒前
desperate完成签到 ,获得积分10
25秒前
没用的三轮完成签到,获得积分10
29秒前
沉默的冬寒完成签到 ,获得积分10
30秒前
风不尽,树不静完成签到 ,获得积分10
30秒前
有机发布了新的文献求助10
31秒前
mzhang2完成签到 ,获得积分10
31秒前
胖胖完成签到 ,获得积分10
41秒前
美丽依波完成签到 ,获得积分20
42秒前
乒坛巨人完成签到 ,获得积分10
44秒前
飞翔的企鹅完成签到,获得积分10
48秒前
瓦罐完成签到 ,获得积分10
52秒前
cuicy完成签到 ,获得积分10
1分钟前
快乐的完成签到 ,获得积分10
1分钟前
1分钟前
成就的绮烟完成签到 ,获得积分10
1分钟前
风起枫落完成签到 ,获得积分10
1分钟前
有机发布了新的文献求助10
1分钟前
动听安筠完成签到 ,获得积分10
1分钟前
田雨完成签到 ,获得积分0
1分钟前
万能图书馆应助Lily采纳,获得10
1分钟前
Milton_z完成签到 ,获得积分10
1分钟前
wyw完成签到 ,获得积分10
1分钟前
jmsd完成签到 ,获得积分10
1分钟前
轩辕白竹完成签到,获得积分10
2分钟前
芝诺的乌龟完成签到 ,获得积分0
2分钟前
2分钟前
旧雨新知完成签到 ,获得积分10
2分钟前
叶痕TNT完成签到 ,获得积分10
2分钟前
2分钟前
qiuhx1053完成签到 ,获得积分10
2分钟前
2分钟前
isedu完成签到,获得积分10
2分钟前
俞无声完成签到 ,获得积分10
2分钟前
高分求助中
Evolution 10000
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
Die Gottesanbeterin: Mantis religiosa: 656 400
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3158663
求助须知:如何正确求助?哪些是违规求助? 2809828
关于积分的说明 7883769
捐赠科研通 2468539
什么是DOI,文献DOI怎么找? 1314323
科研通“疑难数据库(出版商)”最低求助积分说明 630582
版权声明 601983