基于异构关系学习的社会化推荐系统

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

今天跟大家分享的是京东美国硅谷研究院研究科学家黄超博士关于异构关系融合的推荐系统算法，相关论文工作发表在AAAI‘2021会议上，会讲述一些研究工作的细节。

黄超，博士毕业于美国圣母大学，现任京东美国硅谷研究院研究科学家。目前主要的研究方向主要为人工智能，数据挖掘，时空数据分析，推荐系统。在KDD, WWW, AAAI, IJCAI, SIGIR, CIKM, WSDM等数据挖掘和人工智能领域顶级会议发表论文30余篇。其中计算机学会A类14篇。以第一作者发表的论文曾获得WWW’2019最佳论文提名。与此同时，担任了KDD, WWW, AAAI, IJCAI, SIGIR, WSDM, CIKM, ICLR等会议的评审委员会委员，以及TKDE, TOIS, TIST, TOC, TKDD, TNNLS等期刊的长期审稿人。并且被WSDM’2020会议授予优秀评审奖。

推荐系统被广泛应用于各类线上平台，比如电子商务，在线广告以及线上视频网站。通过对用户行为的建模，推荐系统应用可以实现信息过滤，给用户展示满足其需求的商品，并且也可以帮用户节省了很多选择合适商品的时间。现有的推荐算法主要是基于协同过滤的架构对用户与商品间的交互关系进行建模，从而学习到用户对不同商品的喜好。具体来说协同过滤算法基于用户与商品历史的交互数据，学习到对应的用户与商品的表征信息，从而对用户和商品的位置交互进行预测。

 

但是在现实推荐系统应用中存在多种用户和商品间的异构关系，比如用户与用户间的社交关系信息，商品与商品之间类别归属的信息，以及用户与商品间多种行为的交互关系。相较于传统推荐系统模型仅仅只是关注在用户和商品间单一关系，我们新的推荐算法通过引入更加丰富的异构关系以加强用户的兴趣学习，从而提升推荐效果。

 

基于以上对异构关系的讨论，和大家分享的工作是发表在AAAI’2021会议上“Knowledge-aware Coupled Graph Neural Network for Social Recommendation”。社交推荐致力于在推荐的系统当中，运用用户与用户之间的社交关系，来更加精确地学习用户喜欢并提升效果。在用户线上平台，人们与商品的一些交互行为会受到他相关联的一些好友影响，这是社交推荐的一个假设模式，并且在现实生活中也是较为可行的。人在线上平台当中的很多交互也是会受到比如说朋友、家人之间的影响。举个例子，当人们在电商平台上购买物品的时候，也会受到朋友推荐的影响。

 

目前现有的社会化推荐模型的研究工作主要致力于通过结合用户间的社交关系以及用户和商品的交互关系，学习用户和商品的表征，然后结合具体的推荐任务进行未知交互的预测。我们的研究工作从以下三个方面对现有社会化推荐系统进行优化：1）大部分现有工作忽略了商品与商品的关联性，比如同属于一个类别的商品会对用户的购买行为产生影响；2）现有的方法仅仅考虑了用户与商品之间单一维度的交互关系，忽略了在现实场景中用户与商品关系多样化的特性（e.g., 用户不同的评分，以及基于不同行为的交互；3）另一个重要的研究点是如何更加有效地考虑到用户/商品之间局部和全局的关联性。

 

我们的方法通过设计新的Knowledge-aware Coupled Graph Neural Network（KCGN）模型来解决以上的三个问题。首先，我们的方法基于Graph Neural Network的架构进行用户与商品间embedding的传递与更新。通过设计relation-aware的message passing的机制，我们的图神经网络的结构可以捕捉到用户与商品间多元化关系，从而加强用户与商品间关系建模。

 

Figure 1: The architecture of relation-aware interactive pattern modeling.

 

受启发于互信息学习的思想，我们通过对图中节点local embedding，以及图的global embedding进行互信息的计算，从而让所学习到的表征向量可以保存着用户或商品间关系的全局信息。与此同时，我们通过考虑用户行为的时间信息，从而在用户建模架构中加入了行为动态特性，从而可以更好地增强推荐模型中对用户行为的学习，以实现更好的预测效果。

 

Figure 2: The architecture of joint encoding of user-user and item-item inter-dependent relational structures.

 

通过对比于现有的state-of-the-art的方法，在多个数据集上的验证实验表明我们所提出的新方法取得了更好的推荐效果。其具体模型performance如下图所示：

 

Table 1: Performance comparison of all methods.

 

与此同时，我们也进行了模型子模块的消融实验。具体而言我们分别对多关系建模图网络（KCGN-M），用户社交关系encoder（KCGN-U），商品类别关系encoder（KCGN-I），以及行为动态性建模（KCGN-T）模块的有效性进行了验证。具体的实验效果如下：

 

Figure 3: Ablation studies for different sub-modules of KCGN framework, in terms of HR@10 and NDCG@10.

 

从以上的实验效果可以看出，我们的整体模型相较于其他的方法变种效果最好。为了更好地理解模型的参数设置，我们也进行了参数学习实验，其对应的实验结果如下：

 

Figure 4: Hypergraph study of KCGN.

 

从以上的实验效果可以看出，当embedding的dimensionality增大时，模型可能会出现overfitting的现象。模型在GNN层数为2时，模型推荐效果最好。

 

论文链接: 

https://www.aaai.org/AAAI21Papers/AAAI-9069.HuangC.pdf

相关代码连接: 

https://github.com/xhcdream/KCGN

# 今日视频推荐 #

整理：任钧艺

审核：黄    超

排版：孔令炜

AI TIME欢迎AI领域学者投稿，期待大家剖析学科历史发展和前沿技术。针对热门话题，我们将邀请专家一起论道。同时，我们也长期招募优质的撰稿人，顶级的平台需要顶级的你！

请将简历等信息发至yun.he@aminer.cn！

微信联系:AITIME_HY

AI TIME是清华大学计算机系一群关注人工智能发展，并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索，加强思想碰撞，打造一个知识分享的聚集地。

更多资讯请扫码关注

（直播回放：https://www.bilibili.com/video/BV1Xv411b7kY）

（点击“阅读原文”下载本次报告ppt）