项目背景
传统协同过滤在交互稀疏、用户关系复杂和兴趣变化较快的场景中容易失效。本项目利用社交关系、内容语义与历史行为构建异构图，让模型在少量行为样本下仍能捕获用户偏好。
我的职责
负责整体模型设计、数据预处理、图采样策略、实验评估与系统原型开发，并完成核心实验记录和论文式项目报告撰写。
技术方案
异构图建模
构建用户、物品、标签、社交关系多类型节点与边，保留交互强度和时间衰减信号。
语义特征融合
使用文本编码器提取物品描述向量，与图结构表示进行门控融合。
邻域采样训练
结合关系类型采样和负样本策略，降低大图训练成本并稳定收敛。
排序与解释
输出 Top-K 推荐结果，同时展示关键邻居节点和影响路径，辅助解释推荐原因。
项目亮点
- 融合社交关系和内容语义，缓解新用户历史行为不足的问题。
- 对不同关系类型引入注意力权重，提升推荐结果可解释性。
- 提供可视化原型，支持查看用户兴趣路径和推荐依据。
实验与评估
- 指标覆盖 Recall@K、NDCG@K、Hit Ratio 与冷启动子集表现。
- 与 BPR、LightGCN、NGCF 等基线方法进行对比。
- 完成消融实验，验证社交关系、内容语义和门控融合的贡献。
面向长文本的层次化注意力模型
用户行为分析与可视化平台
返回项目精选