摘要
推荐系统（Recommender Systems, RS）在数字空间中无处不在。本文提出一种基于深度学习的方法，旨在解决推荐系统中的三个实际挑战：高维数据的复杂结构、关系信息中的噪声，以及机器学习算法的“黑箱”特性。我们提出的方法——多图图注意力网络（Multi-Graph Graph Attention Network, MG-GAT），通过在邻居重要性图上聚合每个用户（或商户）邻域的多样化信息，学习用户与商户的潜在表示。在从Yelp及另外四个标准推荐数据集收集的两个大规模数据集上进行的实验表明，MG-GAT在推荐任务中的表现优于当前最先进的深度学习模型。性能的提升凸显了MG-GAT在系统性融合多模态特征方面的优势。通过分析特征重要性、邻居重要性图以及潜在表示，MG-GAT能够揭示影响预测的关键特征，并提供关于商户与用户行为的可解释性洞察。此外，所学习得到的邻居重要性图还可广泛应用于多种管理场景，例如精准客户定位、新商户推广以及信息获取策略的设计。本研究不仅展示了深度学习模型在管理领域中的典型大数据应用，还为现实决策提供了至关重要的可解释性支持。