SMA-GNN: A Symbol-Aware Graph Neural Network for Signed Link Prediction in Recommender Systems
Notice bibliographique
Résumé
Recommender Systems (RS) play a critical role in enhancing user experiences across online platforms by modeling user-item interactions as bipartite graphs. Predicting signed links in such graphs remains challenging due to the sparsity and complexity of sign distributions and the limitations of traditional methods like matrix factorization and Graph Convolutional Networks (GCNs), which often fail to capture the intricate local topological and sign-based patterns essential for accurate predictions. To address these challenges, we propose SMA-GNN, a framework specifically designed for signed link prediction in bipartite graphs. SMA-GNN combines Local Subgraph Extraction, Two-Anchor Distance Labeling (TADL), and a Symbol-aware Multi-head Attention Mechanism to enhance predictive capability and interpretability. By extracting a closed local subgraph around the target link, our method captures relevant topological and sign contexts. TADL refines this by assigning unique structural labels to nodes based on their proximity to anchor nodes, encapsulating roles and relationships. The symbol-aware attention mechanism integrates edge sign information into the message-passing process, generating highly discriminative subgraph embeddings. Experiments on benchmark datasets show that SMA-GNN outperforms global embedding methods in prediction accuracy and provides deeper insights into user-item interactions, enabling more precise and personalized recommendations. Our code is avilable at https://github.com/xiaohuzidefeijian/SMAGNN/tree/master
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».