©PaperWeekly 原创 · 作者 | 龙小玲、黄超
单位 | 香港大学计算机学院
研究方向 | 自监督学习, 推荐系统
论文标题:
Social Recommendation with Self-Supervised Metagraph Informax Network.
论文来源:
CIKM 2021
论文地址:
https://arxiv.org/pdf/2110.03958.pdf
论文代码:
https://github.com/SocialRecsys/SMIN
研究背景
推荐系统(Recommender Systems)已成为电子商务、新闻门户等在线服务平台的重要组成部分,其目的在于有效挖掘用户兴趣并缓解信息过载的问题。协同过滤(Collaborative Filtering)作为应用较为广泛的推荐方法,它从用户和商品的历史交互行为中挖掘出用户的兴趣爱好并进行推荐。
然而,传统的协同过滤方法经常遭受数据稀疏和冷启动问题,而随着线上用户社交的流行,使用户能够与他人分享他们的观点,许多方法致力于将在线社交网络信息融入到用户-商品交互模式的学习框架中,以缓解数据稀疏问题并提升推荐系统的精确度。
近年来,许多工作提供了神经网络技术的深入见解,并设计了更加复杂的模型来从用户社交网络和用户商品历史交互中学习用户和商品的表征信息,进而提高推荐性能。但是,现有的社交推荐模型缺少对用户和商品间高阶语义关系的显示学习,同时忽略了商品侧的一些额外信息。例如,电商平台上两个没有直接好友关系的用户,可以通过点击同一个商品或者点击同一个类别的商品关联起来,从而捕获更高阶的用户关联性信息,从而丰富用户的特征表示。
在该研究工作中,我们通过引入商品侧的知识信息和对用户和商品间高阶语义关系的显示编码作为出发点进行探索,提升推荐系统的性能,但同时引入用户社交关系和商品知识信息带来了诸多技术挑战。首先,将用户社交关系和商品知识信息融入到用户-商品交互中,涉及到不同的相互依赖关系,这本质上是异构的,如何在建模中提取异构关系的语义信息,仍