嗨,我是射手座的程序媛,期待和大家更多的交流与学习,欢迎添加3512724768。
SCI一区KBS论文
2022基于超图实现捆绑推荐
通过超图统一多关联的捆绑推荐
论文下载
Research Background - Challenges
1.在捆绑推荐中多个关联:用户-捆绑包交互、捆绑包-项目附属关系
2.用户与单个项目和捆绑包的交互模式不同:用户可快速决定是否购买单个项目、对于捆绑包,很难决定
3.用户-捆绑包历史交互的数据稀疏性
4.用户对捆绑包的决策行为受到多因素影响
直接关联
用户想要放松而直接收听轻松的播放列表
喜欢某个艺术家而打开其播放列表
间接关联
用户听“Hotel California”后对乡村音乐产生兴趣
不可避免地播放乡村音乐列表
Limitations with Standard GNNs
用标准的图神经网络对捆绑推荐任务进行建模存在局限性:
1.捆绑推荐涉及三个实体之间的多个复杂关联:User、Bundle、Item:在预测User-Bundle交互时,应在交互过程中考虑Item,图中的不同节点处于同一级别,难以区分User、Bundle、Item
2.edge只能连接图中的两个节点,需要更多边建模高阶连接,导致训练神经网络繁重
3.GNN向图添加更多的关联并区分具有不同属性的边具有挑战性
这些限制 ==> 捆绑推荐任务的更大复杂性和更差的可扩展性,对开发带来重大挑战
Hypergraph
1.在协同过滤场景中,相似用户的确定严重依赖于用户的二阶可达邻居
- 用户和捆绑包之间的协作信号 =>高阶关联
- 用户在仔细考虑项目后与捆绑包进行交互=> 间接关联
2.超图是一种更一般化的结构
- 扩展边的灵活性
- 多关联的重要容器
- 一条边可连接两个以上的节点
- 可准确描述上述高阶和间接关联
超图结构具有建模复杂高阶关联的特点,建模更复杂的数据关联
超图计算可在复杂环境下对数据结构建模、优化、表示学习等
- 一个超边可以连接任意多个节点
- 通过超边关联矩阵的拼接来融合多模态数据
UHBR模型简介
Contributions
1.统一多个User-Bundle关联建模到超边中
- 统一超图建模技术简化和扩展大量关联的描述
- 不同的关联信息可深度共享,以加速学习
- 在一个超图中可考虑更多的关联,提高超图卷积网络效率
2.在一个超图中对多个关联进行充分建模,能缓解数据稀疏的问题
3.UHBR算法在缓解数据稀疏性和提高训练效率方面具有明显的优势
UHBR旨在从多个历史交互中学习个性化包排名函数:
- 生成三种类型的超边,捕获用户和捆绑包的多个关联
- 设计超图卷积网络,通过消息传递更新用户(捆绑包)嵌入
- 利用嵌入方式生成个性化推荐列表
关键设计
1.一个超图统一多个关联 - user-bundle high-order interactions
- user-item-bundle indirect
interactions
2.提高超图卷积神经网络效率(对比GNN) - 超图已表示高阶交互的信息 &高阶关联显式建模、快速缩放=>卷积数量更少
- 舍弃超图卷积的特征变换&非线性激活函数
- 拓宽超边消息传递带宽,减少超边过度挤压
3.充分利用间接互动 - 对单个项目的态度影响用户对捆绑包的偏好
- 对多个项目的偏好比捆绑包更密集、易捕捉
- 间接关联避免因缺乏历史交互而引起的问题
UHBR框架
嗨,我是射手座的程序媛,期待和大家更多的交流与学习,欢迎添加3512724768。