1. 问题概述

基于项目与项目关系

两部电影拥有相同的导演，两首歌曲在同一张专辑中，两种产品相辅相成。与协同相似性不同，这意味着从用户的角度来看，交互模式是相互作用的。从用户的角度来看，这些关系从元数据、功能等不同的角度揭示了关于项目的细粒度知识。然而，在推荐研究中，如何将多项关系结合起来的研究却较少。
icf的关键假设是用户应该更喜欢类似于它的历史互动项目。这种相似性通常是通过用户交互来判断的-两个项目在过去相互作用的可能性有多大。尽管存在普遍性和有效性，但我们认为现有的icf方法是不够的，因为它们只考虑协同相似性关系，即宏观层次的、粗粒度的和缺乏的。

2. RCF解决问题

提出了一个新的通用推荐任务，即合并项目之间的多个关系，以更好地预测用户偏好
设计了一种新的方法rcf，它利用了两种方式的关系：通过改进对历史上相互作用的项的建模来构造用户嵌入，以及通过保留来增强项嵌入。

2.1主要内容：

利用无向图建立项目与项目的关系模型，并嵌入到NAIS建立的神经网络模型中，例如，一部情感电影，其中这部电影有某个特别出名的演员，而另外一部恐怖电影中也有这个演员，那么这个两部电影就会有一个关系。

2.2 与NAIS的区别

NAIS是对用户的历史配置文件进行权重分配，而RCF则是对NAIS建立的神经网络嵌入一个项目与项目之间的关系模型。实则是对NAIS进行更深层次的优化

3. 模型建立

图3：建议模型的说明。对目标感知用户嵌入(Mu，I)采用两层次的注意机制进行建模.“一级注意”的输入关联用户ID嵌入和关系类型。第二级注意用于计算标准c历史项目的权重。在此状态下有三个输入，包括目标。项目、历史项目和关系价值。请注意，当一个历史项目(例如，i1)与目标项之间存在多重关系时，它可以出现在I^tu,t中。

3.1建立用户与项目的模型

在建模用户偏好时，一个直观的动机是，用户倾向于向不同类型的关系支付“传递权重”(例如，一些用户可能更喜欢拥有相同角色的电影，也可能更喜欢一些用户)。可能更喜欢电影属于相同的类型)。考虑到由关系类型和关系值组成的多个项目关系，我们建议使用层次注意机制对用户偏好进行建模。

其中a（u，t）代表计算第一级注意层权重。

创建Softmax分类层：

创建激励函数和隐藏层：

下一步是建立关系值权重。显然，关系值在这一过程中占有重要的地位。例如，用户在看电影时可能会注意类型。豪伊在所有的流派中，他最感兴趣的不是浪漫。因此，我们应该同时考虑项目和第二级注意事项建模时对应的关系值。

平滑活跃用户的惩罚机制：

第二级注意力激活函数机制建立：

输出层：

计算用户的得分。

3.2 建立项目与项目之间的关系模型:

如图所示，项目与项目之间多重关系图，其中r记录的是项目与项目之间的关系，而项目于项目用无向图表示，即{e1，r，e2}，e1代表项目的头节点，r表示关系即路径，e2表示尾节点。

其中t代表type，v代表value。

建立项目关系矩阵

在建立一个类似于BPR的损失函数：

4. 融合

把推荐部分与项目关系模型融合在一起

3. 评价指标

RQ 1：与最先进的推荐模型相比，RCF是如何执行的？
RQ 2：多个项目关系如何影响模型性能？
RQ 3：RCF如何帮助理解用户的行为？
对两个可公开访问的数据集进行了实验：MovieLens3和KKBox 4，分别对应于电影和音乐推荐。

MovieLens3。这是Grou-Plens发布的稳定基准，包含943个用户和1，682部电影

在这两种数据集上，提议的RCF在所有方法中都取得了最佳的性能。所有不同的K(K=5、10、20))值。

RQ 1:

与传统的只考虑协同相似性的FISM和NAIS相比，我们的RCF基于多个具体的项目关系。本文认为这是改进的来源。从这个角度出发，结果说明了在建模用户偏好时多项关系的重要性。
与基于特征的FM和NFM相比，RCF仍取得了显著的改进.原因是，尽管fm和nfm也包含了辅助信息，但它们没有显式模式。l基于该数据的项目关系。另外，由于NFM引入了MLP来学习高阶交互信号，所以NFM获得了比FM更好的整体性能。然而，区域合作框架在相同的MLP设置下实现了较高的性能，验证了建模项目关系的有效性。
与CKE相比，CKE虽然利用KG来指导项目嵌入的学习，但不能直接基于多项关系对用户偏好进行建模，从而导致预测用户的能降低，所以RCF取得了比它更好的效果。此外，我们可以看到，尽管MOHR也是关系感知，但RCF仍然取得了比它更好的效果。这个原因是Mohr只考虑了最后一个历史项与目标项之间的关系，因此无法捕获用户交互历史之间的长期依赖关系。

RQ 2:

RCF利用层次式注意机制对用户偏好进行建模。在这一部分中，通过实验证明了两级注意的效果
上图显示了在用平均总和替换相应注意层时前10名推荐的结果。很明显，第一级和第二级的注意（用于第二人称单复数现在时，第一、三人称复数现在时）是捕捉用户偏好所必需的，尤其是二级注意，其目的是计算每个历史项目的特定权重，从而大大提高模型的表现力。

建模类型

RCF在建模时，有提过对关系类型的建立有三种，但是最终对比结果，RCF取得了最佳

建模的类型

RCF-type 比单一模型具有更好的性能，说明了关系类型的重要性。一般来说，类型组件在抽象级别上描述项关系.它有助于建模用户对一类在某些宏观角度上有相似之处的项目的偏好。
RCF-value的性能也优于单一模型。这一发现验证了关系值的有效性，关系值描述了多鳍中两个特定项之间的关系。电子粒度级。关系值通过从微观角度捕捉用户偏好，极大地提高了模型的保真度和表现力。
RCF取得了最佳的性能。证明了关系类型和关系值对用户偏好的建模是必要的。此外，它还证实了专业人员的有效性。提出了两级注意机制来处理层次项目关系。

对比结果

多任务学习框架

x轴数据代表在3融合中，关系类型权重对模型性能的影响
有多次测验数据中可以知道，当x轴数据在0.01的时候，两个数据集的模型性能达到最高。

RQ 3:

上图显示了两个数据集上所有u∈U的平均a(u，t)。我们可以看到，在MovieLens数据集，用户集中在genres，这意味着用户倾向于看相同 genres的电影，而在KKBOX数据集，用户几种在artist，这意味着artist，comp、lyri比genre也更重要，所以，在对权重分析上，这几个相关特性，要相对考虑。

Relational Collaborative Filtering--总结