《Social Attentional Memory Network: Modeling Aspect- andFriend-level Differences in Recommendation》

前言 

 《Social Attentional Memory Network: Modeling Aspect- and Friend-level Differences in Recommendation》文章翻译与解读

背景

第一个是层面差异。一般来说，用户和他们的朋友在某些方面只有相同的偏好。众所周知，用户的偏好可以用来推断其朋友的偏好，反之亦然，这可以表示为一个影响向量。然而，对于一个朋友来说，用户可能最关注的是一个方面，而对于另一个朋友来说，用户可能最关注的是另一个方面。在图1中，我们展示了一个社会关系中常见的例子。用户A是用户B和用户C的朋友，但原因是不同的：用户A和用户B是朋友，因为他们都对电影感兴趣，而用户A和用户C是朋友，因为他们都喜欢篮球。在构建社会评价体系时，应考虑各方面的水平差异。

第二个差异是对于一个用户来说，朋友的影响力应该是不同的、动态的，每个用户在社交网络中都与一组朋友联系在一起，但并不一定意味着每个朋友对自己的行为都有同等的影响力。例如，当用户购买篮球鞋时，他会听从打篮球的朋友的建议，但当谈到旅行时，他会转向那些喜欢旅行的人。

社会注意记忆网络

在本文中，我们提出了一个社会注意记忆网络（简称orsamn），它利用了记忆网络[23,31]和神经注意机制[2,3,34]的最新进展。具体地说，我们首先设计了一个基于注意的记忆模块来学习用户与朋友之间的特定关系向量，然后利用朋友级的注意来自动选择信息丰富的朋友进行用户偏好建模，记忆组件允许读写操作来编码复杂的用户和朋友关系。

一个基于联想注意的寻址方案对chuser和他的朋友有相似偏好的方面赋予了更高的权重。基于注意的记忆模块由用户-朋友交互控制，使学习到的关系向量对应于每个用户-朋友对，在朋友级注意建模过程中，采用两层注意网络对用户朋友间的影响强度进行远程监控建模。然后，这两个组件通过端到端的训练过程融合在一起，相互增强。

我们在三个真实世界的数据集上评估SAMN的扩展性。实验结果表明：

• （1）我们的模型在性能上优于现有的方法，同时也验证了我们设计的注意成分和记忆网络的有效性，该模型既考虑了用户朋友共同偏好间的方面水平差异，又考虑了社会影响强度上的朋友水平差异。
• （2）据我们所知，我们首次采用基于记忆的记忆模块构建了用户朋友特定关系向量。我们还引入了朋友级注意来自适应地测量用户朋友之间的社会影响强度。这两个部分在一个统一的框架中融合，并且可以通过有效的端到端训练来学习。
• （3）通过在三个基准数据集上进行的大量实验，我们表明SAMN始终优于现有的模型。

在我们的工作中，我们也选择BPR作为我们的基本学习模型，因为它能有效地利用未观察到的用户项反馈 

亮点/创新点

很少有人研究神经网络对社交推荐中的方面水平差异和朋友水平差异进行建模，这是我们工作的主要内容 。

社会注意记忆网络  与  时间社会意识推荐网络的区别

最近，[32]提出了一个用于时间社会意识推荐（ARSE）的注意力循环网络。我们的工作和ARSE有两个主要区别：

• （1）我们关注的是一个更一般的问题，而ARSE关注的是通过递归神经网络（RNN）和注意机制的时间建议。
• (2） 我们的工作引入记忆网络来解决用户和他们的朋友之间的方面水平差异问题。

最近，Chen等人[2]提出借助注意机制来学习评论的“有用性”，以提高推荐系统的性能和可解释性，在语言理解和对话领域解决任务的注意力和记忆。

记忆网络

记忆网络是近年来提出的一种将推理、注意和记忆相结合的解决语言理解和对话任务的框架。它通常由两部分组成：一个外部存储器（通常是矩阵）和一个在存储器上执行操作（例如，读、写）的控制器。存储器组件独立于控制器增加模型容量，同时提供知识的内部表示，以跟踪长期依赖关系并执行推理。控制器通常使用基于内容的修饰来处理这些记忆，在给定的查询和一段文本之间找到一个评分函数[23,31,35]。对于建议，[34]使用内存模块学习用户项交互之间的关系，以扩展协作度量学习[13]。