摘要：以往的序列推荐方法通常从近期交易记录中捕获用户的消费偏好,忽略了全局交易信息和好友偏好对用户交易行为的影响,导致模型的推荐结果不够准确。针对以上问题,文中提出了一种自适应融合全局协同特征的社交推荐模型AFGSRec。首先,用异质图神经网络建模社交网络中的用户、历史交易信息,以捕获全局协同特征和好友之间的社交影响;接着,设计了一种基于选择机制的门图神经网络,以有效过滤与当前序列无关的节点转换信息,更准确地捕获用户当前偏好;然后,提出了一种自适应的特征融合方法,以动态捕获全局协同特征对用户偏好的影响,提高系统的推荐准确率;最后,将周期动态学习率用于模型训练,以更好地处理鞍点,提升模型的收敛速度。实验结果表明:AFGSRec具有较好的鲁棒性,命中率(HR)和平均倒数排名(MRR)都优于当前领先模型SERec,在Gowalla数据集上,HR@10、HR@20分别提升了1.91%和1.15%,MRR@10、MRR@20分别提升了5.05%和4.83%;在Delicious数据集上,HR@10、HR@20分别提升了2.45%和1.19%,MRR@10、MRR@20分别提升了4.84%和4.32%。