GNN:Graph Neural Networks for Social Recommendation简介

Graph Neural Networks for Social Recommendation

Abstract

基于GNN建立社交推荐系统有很多的挑战,因此作者提出了GraphRec框架。作者提供了一种有原则的方法来联合捕获用户-项目图中的交互和意见,并提出了框架GraphRec,该框架连贯地对两个图和异构优势进行建模。

Introduction

作者提出三个问题:

  1. 如何整合user-user graph和user-item graph
  2. 如何捕捉用户与item之间的联系以及用户对item 的意见
  3. 如何区别社交关系的重要性

作者的主要贡献就是解决了上述三个问题,并产生了不错的效果。

An Overview of the Proposed Framework

总体架构如下所示:

在这里插入图片描述

整个框架包含三个部分:

  • user modeling包含两个部分

    • item aggregation:利用用户与item的联系生成一个embedding
    • Social aggregation:利用用户与用户之间的关系生成一个embedding

    user modeling部分的输出由上述两个embedding连接成的向量

  • item modeling利用用户对物品的关系与意见产生一个embedding

  • rating prediction部分利用上述两部分的向量,对用户对某个item的打分进行预估。

User modeling

Item Aggregation

在这里插入图片描述

x i a x_{ia} xia由下图可得:
在这里插入图片描述

q a q_a qa为item 的embedding, e r e_r er为opinion的embedding, g v g_v gv为MLP

A g g r e i t e m s Aggre_{items} Aggreitems可以使用如下表示:

在这里插入图片描述

a i a a_{ia} aia采用注意力网络进行学习用户对item的不同的权重。

在这里插入图片描述

在这里插入图片描述

Social Aggregation

同理,social aggregation如下:
在这里插入图片描述

Learning User Latent Factor

user modeling的最后将两个图产生的 h i I h_i^I hiI h i S h_i^S hiS连接送入MLP

在这里插入图片描述

Item modeling

与之前的item aggregation一样

在这里插入图片描述

在这里插入图片描述

Rating Prediction

同理,将user modeling和item modeling的输出结合,喂进MLP:
在这里插入图片描述

Model Training

损失函数为:

在这里插入图片描述

where ∣ O ∣ |O| O is the number of observed ratings , and r i j r_{ij} rij is the ground truth rating assigned by the user i on the item j.

Optimizer: RMSprop

Overfitting problem: Dropout

###Experiment

与一些baseline比较所得结果:

在这里插入图片描述

后续有分别对社交网络与用户意见的影响做了分析:

在这里插入图片描述

对注意力机制的探索:
在这里插入图片描述

也对embedding的大小做了比较:
在这里插入图片描述

Future work

  • 探索用户和项目之间的更丰富、复杂的属性
  • 考虑评分和社交关系的动态性
已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 技术黑板 设计师:CSDN官方博客 返回首页