WWW'19 Graph Neural Network for Social Recommendation 图神经网络用于社交推荐

Graph Neural Network for Social Recommendation  图神经网络用于社交推荐

---

个人总结：

文章发表在WWW19，虽然创新不大，但都是较为可行的方案，可以直接拿来引用；

主要亮点：

1、对用户特征使用用户历史交互过的项目聚合，作为用户的表示；

2、将评分量化（1~5），加入用户表示

3、对项目的建模，使用其交互过的用户聚合，+ Attention

---

摘要

图神经网络GNN能够整合结点信息和拓扑结构。

基于GNN构建社交推荐系统存在的挑战：

1、用户-项目图对交互及其相关意见进行编码

2、社交关系具有异构性

3、用户涉及两个图（用户-用户社交图、用户-物品图）

1、介绍

社交推荐基于：用户通常通过其周围的人获取和传播信息；这意味着用户的潜在社交关系可以在帮助他们过滤信息方面发挥重要作用。

方法：将社交网络信息融入到用户和项目的潜在学习因素中；

关键：学习用户和项目的表示

图神经网络GNN，用于学习有意义的图数据表示；

主要思想：使用神经网络从局部图邻居 local graph neighborhoods 中迭代地聚集特征信息，同时,结点信息也能够在转换和聚合后通过图传播

用户同时包含在两个图中，可以起到桥梁的作用；为了更好的学习用户表示，从两个图中聚合信息也是很重要的

构建基于GNN的社交推荐存在的挑战：

1、如何内在地连接两个图

2、如果联合捕获用户和项目之间的交互和意见

3、如何区分有不同强度的社交关系

2、模型框架

2.1、定义和声明

2.2、模型概述

模型分为三个部分，用户建模、项目建模、评分预测；

用户建模部分学习用户的潜在要素，引入两种聚合（项目聚合、社交聚合）来分别处理两种不同的图（用户-项目图、用户社交图）

项目建模部分学习项目的潜在要素，引入用户聚合以同时考虑用户-项目图中的交互和意见

评分预测部分集成用户和项目建模，通过预测学习模型参数

2.3、用户建模

项目聚合：

方法：通过用户ui交互过的项目，以及用户对这些项目的意见来学习

物品空间用户潜在要素：

最后使用Softmax函数标准化上面的注意力得分，得到注意力权重

社交聚合：

方法：使用注意力机制选择具有代表性的社交朋友表征用户的社交信息，然后对这些信息进行聚合

社交空间用户潜在要素：

最后：

方法：使用标准MLP进行处理

其中，l 表示隐藏层的index

2.4、物品建模

项目与用户-项目图相关联，其中包含了交互和用户意见。

用户聚合：

2.5、评分预测

模型应用于评分预测(rating prediction)任务；

2.6、模型训练

|O| ，观测到的评分个数

采用RMSprop作为优化器；使用Embedding嵌入而不是One-hot；

3、实验

实验采用 Ciao 和 Epinions 数据集；

使用 MAE 和 RMSE 作为评价指标

4、未来工作

引入属性(attributes)信息的GNN推荐；动态评级和社交关系的GNN社交推荐