Graph Neural Networks for Social Recommendation（GraphRec2019）阅读笔记

Graph Rec

推荐系统提升的关键是学习用户和项目的潜在因素

现存问题：

1. 用户(物品)同时参与用户-物品图和用户-用户社交图(物品-物品图)；我的理解是以前只用users-items图来构建embedding，可以引入其他的信息；
2. 用户-项目图不仅包含用户-项目交互，还包含用户对项目的意见；我的理解是除了利用0或1来表示有无交互，还可以引入评分表示意见
3. 用户之间的社会关系性质具有异质性。我的理解是用户与用户之间有可能比较亲近可能比较疏远，所以嵌入时应该考虑关系的强度

解决方案：

我们引入了一种原则性的方法来共同捕获用户-项目图中的交互和观点，并提出了一种注意力机制来区分社会关系的异质性强度。
第一个挑战是如何内在地结合这两个图。
第二个挑战是如何联合捕获用户和项目之间的交互和意见。
第三个挑战是如何区分具有异质性力量的社会关

1.用户建模（User Modeling）：

item第一个aggre从R中用户与物品的交互来理解用户；

$C（i）$是$U_i$交互的项目集合,$x_{ia}$就是项目的embedding；

social第二个aggre从T中用户和用户之间的关系来理解用户；

$N（i）$是$U_i$交互的用户集合,$h_o^I$就是项目的embedding；

作者还搞了注意力机制；
然后拼接他们，之后经过多层感知机线性层，l层，得到用户embedding $h_i$

2.项目建模（Item Modeling）：

use利用raggre在T中用户与物品的交互与观点；

3.预测层（Rating Prediction）：

联合两个建模预测评分；
将两个拼接
经过l层线性层，输出评分

4.训练模型

根据预测的评分去优化；