WWW2019|对偶图注意力网络在推荐系统中的应用(已开源)

Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems

Qitian Wu, Hengrui Zhang, Xiaofeng Gao, Peng He, Paul Weng, Han Gao, Guihai Chen

Shanghai Jiao Tong University,  Tencent

https://dl.acm.org/doi/pdf/10.1145/3308558.3313442

社交推荐利用社交信息来解决传统协同过滤方法中的数据稀疏和冷启动问题。但是，大部分现有方法假设来自朋友的社交影响是静态的，并且满足固定的权重或固定限制条件。

为了缓解这种强假设，这篇文章提出对偶图注意力网络，该网络能够协同学习二重社交影响，一种通过特定用户的注意力权重来建模，另一种通过动态和能够感知上下文的注意力权重来建模。作者们还将用户域的社交影响扩展到商品域，如此一来，相关商品的信息可以进一步缓和数据稀疏问题。

进一步的，考虑到两个域中不同社交影响相互之间具有影响，联合起来可以影响用户对商品的偏好，作者们提出一种新的基于原则的融合策略，该策略基于上下文多臂老虎机来衡量多个社交影响之间的交互作用。

作者们在一个基准数据集和一个商用数据集上验证了所提模型关键元素的有效性。结果表明，该模型相对其他SOTA社交推荐方法能够大幅提升推荐准确性。

现有方法有以下三个不足点

社交同质性以及社交影响力定义如下

图示如下

这篇文章所提模型为

这篇文章的主要贡献如下

部分符号定义如下

这篇论文所提模型的结构图示如下

相似度定义方式如下

关于嵌入层，细节描述如下

GCN与GAT的区别如下

社交同质性细节描述如下

图注意力网络可以用于获取社交影响

GAT可以用于获取商品之间的同质性，具体形式如下

商品之间的影响形式如下

结对式神经交互层简介如下

基于策略网络的融合层细节描述如下

针对不同的目标，损失函数也不同

本文所用到的mini-batch训练方法细节描述如下

基于局部图的正则方法细节描述如下

</