Knowledge-aware Coupled Graph Neural Network for Social Recommendation论文阅读
Knowledge-aware Coupled Graph Neural Network for Social Recommendation
【领域存在问题】
社交推荐任务旨在预测用户对物品的偏好，并融入用户之间的社交关系，以缓解协同过滤的稀疏问题。虽然最近的许多研究表明了基于神经网络的社交推荐系统的有效性，但仍有几个重要的挑战没有得到很好的解决:
(1)大多数模型只考虑用户的连接，而忽略了跨项目的相互依赖的知识;
(ii)现有的大多数解决方案都是针对单一类型的用户-物品交互设计的，难以捕捉行为异质性;
(iii)在许多具有社会意识的推荐技术中，对用户-物品交互的动态特性研究较少。
近年来，旨在利用用户的社交信息来建模用户在推荐中的偏好的社交推荐备受关注(Liu et al 2019)。正如在许多社会意识推荐文献中所述(Wu et al 2019a;Chen et al 2019b)，在各种推荐场景中，如电子商务(Lin, Gao, and Li 2019)和在线评论平台(Chen et al . 2019b)，用户之间的社会影响对用户对商品的交互行为有很高的影响。
因此，研究人员建议将社会关系作为侧信息整合到协同过滤架构中，以表征跨用户的连接信息。
【概述】
最先进的社交推荐系统最常见的范式是学习嵌入函数，它将用户-用户和用户-商品关系统一为潜在的表示形式。为了解决这一问题，许多研究开发了各种神经网络技术，以用户-项目交互编码作为约束来整合社会信息。例如，基于注意力的机制已被用于聚合不同用户之间的相关性(Chen等人2019a;Chen等人2019b)。此外，受图神经架构最近进展的启发，一些尝试建立在用户-用户社交图上的消息传递框架上。为了能够建模情境感知的社会效应，DANSER (Wu等2019b)堆叠了两级图注意层，以区分多面社会同质性和影响。
虽然这些解决办法取得了令人鼓舞的结果，但仍有几个重要的挑战尚未得到很好的解决。
首先，在现实场景中，项目之间通常存在关系，这些关系表征了项目wise -卓有成效的语义关联性，有助于理解用户-项目交互模式(Wang et al 2019a)。例如，在在线零售系统中，同类产品(如食品和杂货、服装和鞋子)或互为补充的产品可以相互关联，以丰富商品的知识表示(Xin等，2019)。对于在线评论平台，利用具有相同功能的场所之间的依赖关系，能够提供外部知识，以协助用户偏好学习(Y u et al 2019)。然而，现有的大多数社交推荐系统未能捕捉到项目型的关系结构，很难从用户的共同互动行为中提取出知识感知的协作信号。
其次，为了简化模型设计，目前大多数社交推荐方法都专注于建模用户与物品之间的单一类型的交互关系。Y等人认为，许多实际的推荐场景可能涉及用户对项目的交互行为的多样性(Cen等人2019;夏等人，2020)。其潜在的相互依赖性(如添加收藏活动可作为购买决策的有用指标)，对于更准确地推断用户在社交推荐任务中的复杂兴趣至关重要。
**社会推荐的时间维度值得进一步研究，以捕捉行为异质性下的行为动力学。**最近的大多数方法都忽略了用户-物品交互的动态特性，并假设影响交互行为的因素只是物品的身份(Song et al 2019)。虽然最近有一些研究考虑了社会推荐中的顺序信息(Song et al 2019;Sun, Wu, and Wang 2018)，它们的内在设计仅限于单一类型的用户-项目关系。这使得它们无法在更复杂的场景中以动态方式保存多重行为交互信号，从而产生令人满意的嵌入。
将上述维度整合到社交推荐框架中虽然直观上很有用，但实现这一目标的过程中出现了两个独特的技术挑战。具体而言，图结构神经网络可用于自然建模社会节点实例的拓扑信息，然而，它们的非线性聚合函数只能学习用户之间的局部邻近性，无法捕捉图结构的更广泛的上下文(例如，具有同构社会结构的用户)(Y ou, Ying，和Leskovec 2019)。因此，如何联合捕捉知识感知的用户-用户和物品-物品的局部关系，并在全球背景下保持长期的社会影响力和物品依赖性，仍然是一个重大挑战。此外，如何处理动态的多行为用户-项目交互，以获取动态关系感知的跨用户和任意持续时间的项目的结构依赖也是非常具有挑战性的。
【解决问题】
提出了知识感知耦合图神经网络(KCGN)来研究社会推荐问题。为了联合处理用户-用户和项目-项目的局部和全局关系结构感知，我们将互信息估计模式纳入到耦合图神经结构中。
该设计实现了神经互信息估计器和图结构表示学习范式之间的协作，保留了跨用户和项目的节点级惟一特征和图级子结构知识。此外，为了捕获动态的多行为交互模式，我们将关系感知的消息传递框架与相对时间编码策略集成在一起，使KCGN具有自动学习用户特定的时间行为依赖关系和多行为用户项交互图演化的能力。
This design enables the collaboration between neural mutual information estimator and graph-structured representation learning paradigm, which preserves the node-level unique characteristics and graph-level substructure knowledge across users and items. In addition, to capture the dynamic multi-behavioral interactive patterns, we integrate a relation-aware message passing framework with the relative temporal encoding strategy, which endows KCGN with the capability of automatically learning the temporal userspecific temporal behavior dependencies and evolution of multi-behavior user-item interaction graph.
Contribution
•我们提出利用所开发的耦合图神经网络同时捕获用户-用户和物品-物品。通过对基于用户和基于项目的依赖结构的联合建模，我们的KCGN可以在更彻底地保留基于知识的跨项目关系的同时，增强具有社会意识的用户嵌入。
•我们提出了一个关系感知的图神经模块来编码多行为用户项交互模式，并进一步将时间信息整合到消息传递内核中，以增强具有行为动力学的跨行为协作关系学习。
•我们在三个真实的数据集上进行了广泛的实验，以显示我们的KCGN在与来自不同研究线的10个基线竞争时的优势。对可扩展性评估的进一步研究验证了KCGN在几种先进的社交推荐系统上的模型效率。我们还展示了我们的模型在用户-项目交互稀疏的冷启动场景中保持了强大的性能。
【过程】
我们首先介绍了社会推荐的关键定义与项目关系知识和不同类型的用户项目交互。我们考虑一个典型的推荐场景，其中I个用户U = {u1，…, ui,…， uI}和J项V = {v1，…vj,…vJ}。为了捕捉多行为用户-物品交互信号，我们定义了一个多行为交互张量，如下所示: