在签名社交推荐中，虽然通过建模信任与不信任关系展现出巨大潜力，但其效果常常受到结构噪声和数据稀疏的影响。
我们首先识别出了现有模型在结构、传播和语义层面上的基本不一致性，这导致从稀疏或噪声数据集中学习的表示存在偏差。
此外，我们观察到大多数现有方法将观察到的图视为固定的，未能弥合噪声拓扑与可靠社交语义之间的差距。
为了解决这些问题，我们提出了一个统一框架，名为 SSC-Loop，将签名社交推荐视为结构一致性的最大化。SSC-Loop 包含三个专门模块：用于结构一致性的 ESA-DA，P/N/O 传播机制用于传播一致性，以及对比学习目标用于语义一致性。
在 Epinions 上的实验表明，SSC-Loop 在显式签名社交评分预测上表现出色，而在 Slashdot 上的辅助结果进一步表明其在利用签名社交结构方面的能力。源代码可在 GitHub 上获取。
博主点评： 该研究提出的 SSC-Loop 框架通过最大化结构一致性，有效地解决了现有模型在处理噪声和稀疏数据时的不足，展示了签名社交推荐的广泛应用潜力，值得深入探索与实践。其模块化设计为后续研究提供了良好的基础。