类型a：学术研究报告

作者与机构
本文作者为浩庆波，指导教师为肖迎元教授与王春东教授，所属机构为天津理工大学计算机科学与技术学院。该博士论文提交于2024年8月，是申请博士学位的研究成果。

学术背景
本研究属于计算机科学与技术领域，聚焦于推荐系统中的图神经网络（Graph Neural Network, GNN）应用。随着互联网数据的爆炸式增长，信息过载问题日益突出，推荐系统成为解决这一问题的关键工具。然而，传统推荐模型（如协同过滤、矩阵分解）在处理图结构数据时存在稀疏性、冷启动和隐私安全等挑战。图神经网络因其能够直接建模用户-项目交互图、社交网络和知识图谱等复杂关系，成为提升推荐性能的新途径。

研究目标是通过改进图神经网络模型，从单行为推荐、多行为推荐、可解释推荐和隐私保护推荐四个维度提升推荐精度与安全性。具体而言，论文针对现有模型的以下缺陷展开：
1. 单行为推荐中，用户行为动机的细粒度挖掘不足；
2. 多行为推荐中，行为内表征学习被忽视；
3. 可解释推荐中，评论稀疏性制约解释质量；
4. 隐私保护推荐中，集中式存储导致数据泄露风险。

研究流程与方法
研究包含四个核心模型，分别对应上述问题：

1. 基于隐性关系的多粒度耦合图神经网络（IMGC-GNN）

   • 问题：传统模型难以区分用户行为动机中的个体属性与交互环境。
     
   • 方法：
     
     • 构建用户-情境-应用三层耦合图，引入情境信息扩展交互维度；
       
     • 属性表征学习：分解耦合图为同质图（用户图、情境图、应用图），通过隐性关系挖掘节点间关联，过滤噪声并缓解稀疏性；
       
     • 交互表征学习：以交互为节点构建同质图，利用相似度分析交互动机；
       
     • 实验在三个城市交互数据集上进行，Top-K推荐指标（如Recall、NDCG）验证性能优势。
       

2. 高阶单纯复形增强的多行为图神经网络（HEM-GNN）

   • 问题：多行为推荐中，行为内表征学习不足。
     
   • 方法：
     
     • 行为间差异学习：监督式学习区分辅助行为与目标行为；
       
     • 行为内表征增强：通过隐性关系补全稀疏数据，利用高阶单纯复形（simplicial complexes）聚合节点信息；
       
     • 在公开数据集（如Yelp、Amazon）上的实验显示，HEM-GNN在稀疏场景下仍保持性能优势。
       

3. 基于隐性评论增强的可解释图神经网络（IREGNN）

   • 问题：评论稀疏性限制了解释生成质量。
     
   • 方法：
     
     • 评论网络：无监督提取用户/项目主题，丰富节点属性；
       
     • 评分网络：挖掘隐性评分，在主题约束下生成新评论；
       
     • 融合主题与评论表征生成解释，实验表明其在解释多样性（如BLEU指标）和推荐精度上均优于基线模型。
       

4. 面向隐私保护的联邦图神经网络（P2FGNN）

   • 问题：集中式存储导致隐私泄露，分布式存储又引发图语义不全。
     
   • 方法：
     
     • 二阶段扰动：发布用户-项目交互数据前，对隐私数据添加差分隐私噪声；
       
     • 联邦聚合：通过节点级、语义级和子图级聚合恢复全局语义；
       
     • 实验证明，在合理隐私预算（如ε=1.0）下，P2FGNN的推荐性能接近集中式模型。
       

主要结果与逻辑关联
- IMGC-GNN：通过分属性与交互双视角学习，在Yelp数据集上Recall@10提升12.3%，验证了动机细粒度挖掘的有效性；
- HEM-GNN：行为内单纯复形增强使稀疏场景下的NDCG@5提升9.8%，表明高阶结构对多行为建模的贡献；
- IREGNN：生成的解释在人工评估中得分提高15.6%，且隐性评论缓解了数据稀疏性；
- P2FGNN：隐私预算ε=2.0时，AUC仅下降3.2%，平衡了隐私与性能。

结论与价值
本研究提出了一套基于图神经网络的推荐模型改进框架，其科学价值在于：
1. 理论层面：通过隐性关系、单纯复形等新方法，深化了对用户行为动机的建模；
2. 应用层面：可解释性与隐私保护机制符合《网络信息内容生态治理规定》等法规要求，推动推荐系统合规发展。

亮点
- 方法创新：首次将单纯复形引入多行为推荐，利用拓扑结构增强表征学习；
- 跨领域融合：结合联邦学习与差分隐私，解决分布式场景下的隐私安全问题；
- 实证全面：覆盖单/多行为、可解释、隐私保护四大场景，实验数据丰富。

其他价值
论文提出的隐性关系挖掘方法可扩展至社交网络分析，而联邦学习框架为其他分布式机器学习任务提供了参考。