본 논문은 소셜 미디어의 급속한 발전에 따라 널리 사용되는 하이브리드 추천 시스템인 소셜 추천 시스템의 성능 향상을 위한 새로운 모델인 Burger를 제안합니다. 기존 연구들이 사용자 간의 관심사 유사성에 초점을 맞춰 소셜 네트워크의 비관련 관계를 제거하는 데 집중한 반면, Burger는 소셜 네트워크와 사용자-아이템 상호작용 네트워크 간의 상호 의미 정보에 주목합니다. Burger는 소셜 텐서를 구축하여 모델 학습 과정을 원활하게 하고, 그래프 합성곱 네트워크와 텐서 합성곱 네트워크를 사용하여 사용자의 아이템 선호도와 소셜 선호도를 각각 캡처합니다. 또한, 이기종 네트워크의 상이한 의미 정보를 고려하여 이중 의미 조정 손실 함수를 제안하고, 베이지안 사후 확률을 이용하여 잠재적인 소셜 관계를 채굴하여 소셜 노이즈를 제거합니다. 마지막으로 슬라이딩 윈도우 메커니즘을 사용하여 소셜 텐서를 업데이트합니다. 세 개의 실제 데이터셋에 대한 실험 결과, Burger는 최첨단 모델들보다 우수한 성능을 보임을 보여줍니다.
