推荐系统论文 ATBRG SIGIR2020

简介

从题目上看，自适应目标行为关系图神经网络来提高推荐系统的表现。

1. 自适应：
   区别于在整个KG上进行random sampling或者盲目使用neighbors，需要自适应地针对用户行为与目标item在KG上保存有效信息
2. 目标行为关系图：
   一针对每一个user-item的子图，捕捉它们的相互作用

Current Method

这里说的是KG和Recommender结合的现有方法主要是两种：

1. 探索U和I的独立子路径
   缺点是：很难全面的捕捉信息
2. 使用GNN来产生U和I的表示
   缺点是：但用邻居节点来丰富emb表示的时候就忽略了用户商品之间的相互影响。
   换句话说就是不同的用户对于邻居节点的专注其实是不同的。

此时如何选取目标U和I在KG上的结构关系就变得非常重要。

第一种很明显就是有很多信息都被遗漏了。
对于GNN来说，由于没有考虑用户的兴趣，所以在选择邻域的时候就会引入很多的无效信息。

Main Work

1. 提出ATBRG
   通过KG捕捉更多的结构信息
   将目标商品和用户历史行为更具KG相结合

2. 图连接和图剪枝算法
   用来构建自适应目标行为关系图

3. 线上提升CTR 5%

ATBRG

两个部分组成

1. Graph construction part
2. Model Part

Graph construction part

给定U和I

1. 用户行为B_ui和目标item i在KG上穷举搜索多层实体邻居
2. 连接实体和item的路径恢复成图G_ui，这样便通过多个重合的实体将用户行为和目标item连接起来了
3. 如果G中的实体，如果没有连接不同的item就剪枝
4. 然后得到了U和I的关系图

Model Part

1. Embedding

将entity转为Emb向量

2. Relation-aware Extractor layer

分别将target i和用户行为点击的ib作为根节点，然后自底向上的进行emb的传播，每一次都需要使用relation-aware attention。

这里就是参考transformer encoder的结构，但是这里并不是self-attention，首先xh cat xt 就相当于encoder的输入，然后通过f进行线性变换得到一个Key，然后xr经过一个W就是Query，然后就很好理解了，softmax是因为需要输出概率。

3. Representation Activation layer

蓝色表示target i，黄色是behavior i，然后进行上述操作

可以理解为利用一个attention来找到用户行为中影响力比较高的部分，然后利用这些部分得到user emb。

4. Feature Interaction layer

这里就是将用户和item的其他特征进行concat然后输入到predictor，得到的就是点击的概率。

Experiments

实验的部分这里不在多介绍，我觉得干货还是在模型的部分。