Session-based Social Recommendation via Dynamic Graph Attention Networks
Weiping Song, Zhiping Xiao, Yifan Wang, Laurent Charlin, Ming Zhang, Jian Tang
Peking University, UC Berkeley, Mila & HEC Montreal
http://www.cs.toronto.edu/~lcharlin/papers/fp4571-songA.pdf
在线社交网络,比如Facebook以及Twitter,非常流行,并且,对于很多用户来说,这种在线社交已经成为很多用户的日常生活中必不可少的一部分。
在这些平台上,用户可以发现并且创建一些信息,这些信息会被其他用户“消费”。在这种背景下,为了长期留住用户,对用户推荐相关信息非常关键。
然而,在线社交系统中的推荐具有一定的挑战性,其一,用户兴趣是动态变化的,其二,用户会被他们的朋友影响。而且,产生影响的用户是依赖于上下文的。不同的朋友依赖于不同的话题。对这两种信息进行建模对于推荐是必不可少的。
这篇文章基于动态图注意力神经网络提出一种可以用户在线社交的推荐系统。利用循环神经网络对动态变化的用户行为进行建模,利用图注意力神经网络对依赖上下文的社交影响进行建模,该模型可以基于用户当前的兴趣动态推理产生影响的用户。
整个模型对于大规模数据比较高效。几个真实数据集上的实验结果表明作者所提方法的有效性。
不同session的推荐可能不同,图示如下
这篇文章的主要贡献如下
现有动态推荐方法有以下几种
基于社交网络的推荐有以下几种
图卷积网络来源及简介如下
基于会话的推荐问题定义如下
基于会话的社交推荐定义如下
这篇文章所提模型的整体结构图示如下
其中动态个人兴趣利用RNN(LSTM)来提取
短期偏好形式如下
长期偏好定义如下
动态特征图构建方式如下
基于动态特征图可以构建图注意力网络
基于注意力机制的卷积图模型图示如下
最终推荐基于以下公式
目标函数形式如下
数据集分割策略如下
参与对比的有以下几种方法
数据集信息统计如下