Dual Channel Hypergraph Collaborative Filtering 读书笔记

Dual Channel Hypergraph Collaborative Filtering 阅读笔记

KDD 2020

Shuyi Ji, Yifan Feng, Rongrong Ji, Xibin Zhao, Wanwan Tang, Yue Gao.

前置知识

• 超图

  超图是一种广义上的图，主要特点是一条边可以连接任意数量的顶点

  形式上，超图H是一个集合组 $G=(\mathcal{V},\mathcal{E})$ : $\mathcal{V}$为顶点，$\mathcal{E}$为超边，$\mathcal{E}$是$\mathcal{V}$的非空子集的集合。

切入点

• 现象

  从矩阵分解到基于图的方法，都需要大量训练数据，训练数据有限的情况下性能较差

• 原因

  1. User-Item建模不灵活,没有对刻意对两类节点进行区分

     例如：Item的关联多说明Item比较流行，但User的关联多不能说明用户流行。

  2. 高阶关联建模不足

     传统图只能表示成对连接，对高阶关联的建模和处理有一定限制。

方法

作者提出了一个双通道超图协同过滤框架DHCF。

首先采用分治思想提出了双通道的学习策略，分别在User-item两个子超图上学习embedding.

然后利用JHConv方法来在超图上传播带有高阶关联信息的embedding

1. 超图建模

   • 关联矩阵

     H ∈ { 0 , 1 } ∣ V ∣ × ∣ E ∣ \mathrm{H} \in\{0,1\}^{|\mathcal{V}| \times|\mathcal{E}|} H∈{0,1}∣V∣×∣E∣

     $h(v,e)=\{\begin{array}{ll}1& \text{ if }v\in e\\ 0& \text{ if }v\notin e\end{array}$

   • 度

     一个点有多少个边

     一个边上有多少个点

   • 超边

     解释性：把有相似行为但没有直接关系的User关联起来，通过这种方式来表示高阶关联。

   • 高阶关联

     1. Item的K阶可达邻居。

        Item A — User1 — ItemB — User2 — Item C

        如果链中两个Item之间的User小于K，就称这两个Item为K阶可达邻居。

     2. Item的K阶可达User。

        如果User和Item B 有直接交互，且Item B 是item A 的K阶邻居，则该User是Item A 的K阶可达User。

        

2. 超图定义

   Item的K阶邻居

   ${\mathbf{A}}_i^k=\min \left(1,\mathrm{power}\left({\mathbf{H}}^{\top }\cdot \mathbf{H},k\right)\right)$

   Item的K阶可达User

   ${\mathrm{H}}_{B_u^k}=\mathrm{H}\cdot {\mathrm{A}}_i^{k-1}$

   考虑一阶和二阶可达的超图

   $$\{\begin{array}{rl}{\mathbf{H}}_u=f\left({\mathcal{E}}_{B_u^1},{\mathcal{E}}_{B_u^2}\right)& ={\mathbf{H}}_{B_u^1}\Vert {\mathbf{H}}_{B_u^2}\\ {\mathbf{H}}_i=f\left({\mathcal{E}}_{B_i^1},{\mathcal{E}}_{B_i^2}\right)& ={\mathbf{H}}_{B_i^1}\Vert {\mathbf{H}}_{B_i}^2\end{array}$$

   矩阵形式定义

   ${\mathbf{H}}_u=\mathbf{A}\Vert \left(\mathbf{A}\left({\mathbf{A}}^{\top }\mathbf{A}\right)\right)$

   ${\mathbf{H}}_i={\mathbf{A}}^{\top }\Vert \left({\mathbf{A}}^{\top }\left(\mathbf{A}{\mathbf{A}}^{\top }\right)\right)$

​ 其中A是传统User-item二部图的邻接矩阵， A ∈ { 0 , 1 } N × M A \in\{0,1\}^{N \times M} A∈{0,1}N×M

​ 高阶关联的主要信息包含在$\mathbf{A}\left({\mathbf{A}}^{\top }\mathbf{A}\right)$ 中，也就是实现了user-item-user-item这一作用链（二阶关联）的建模。

3. 超图卷积

   ${\mathrm{X}}^{(l+1)}=\sigma \left({\mathrm{D}}_v^{-1/2}{\mathrm{H}\mathrm{D}}_e^{-1}{\mathrm{H}}^{\top }{\mathrm{D}}_v^{-1/2}{\mathrm{X}}^{(l)}{\Theta }^{(l)}\right)$

   其中度矩阵作用类似GCN中的度矩阵，起到归一化的作用。

   主要部分是H HT 表示信息的传播路径：顶点-超边-顶点，实现了顶点间的高阶信息交互。

4. DHCF框架

   

   • 高阶消息传递

     $\{\begin{array}{rl}{M}_u& =\mathrm{HConv}\left(E_u,H_u\right)\\ M_i& =\mathrm{HConv}\left(E_i,H_i\right)\end{array}$

     Mu和Mi分别从他们的高阶邻域学习了复杂的关联关系。

     HConv具体实现为：跳跃超图卷积

     ${\mathbf{X}}^{(l+1)}=\sigma \left({\mathbf{D}}_v^{-1/2}\mathbf{H}{\mathbf{D}}_e^{-1}{\mathbf{H}}^{\top }{\mathbf{D}}_v^{-1/2}{\mathbf{X}}^{(l)}{\Theta }^{(l)}+{\mathbf{X}}^{(l)}\right)$

     1. 同时考虑了自身信息和邻居信息
     2. 借鉴了Resnet的思想，使得网络更容易优化。

   • 联合消息更新

     $\{\begin{array}{rl}{E}_u^{\prime }& =\mathrm{J}\mathrm{U}\left(M_u,M_i\right)\\ E_i^{\prime }& =\mathrm{J}\mathrm{U}\left(M_i,M_u\right)\end{array}$

     JU可以是任意神经网络，用第二个参数更新第一个参数。作者采用MLP。

5. 优化方法

   Loss:

   $\mathcal{L}=-{\sum }_{\left(u,i^{+},i^{-}\right)\in \mathcal{T}}-\ln \sigma \left({\hat{r}}_{u{i}^{+}}-{\hat{r}}_{u{i}^{-}}\right)+\lambda \Vert \Theta {\Vert }_2^2$

   BPRLoss

实验

数据集：

实验结果：

结果分析：

方法	分析
GC-MC	只用了一层GCN，只考虑一阶邻居。丢弃了当前节点的信息，鲁棒性较差。
PinSage	引入高阶连通性，保留当前节点和邻居信息
NGCF	节点更新策略更复杂，具有双重可训练参数，数据小的时候，容易出现过拟合。
DHCF	明确建模了高阶关联，减少了模型参数

感悟

1. 找论文的能力得到了进一步提升，先前缺少追踪最前沿成果的经验，找论文原文花费了不少时间。

   记录下经验：会议官网，预印本平台，ResearchGate，搜索引擎都无果的情况下，可以按照作者的线索来寻找。本文是通过作者的实验室主页找到的，如果作者的个人主页和实验室主页都找不到的话，也可以考虑发邮件向作者请求PDF档。
   本文连接 ,感谢作者！

2. 传统图卷积的本意是在同构图中提取信息，近年来的方法一般是通过拼接邻接矩阵和其转置为大矩阵的方法，把User-item看做同种结构，一起学embedding。如果要考虑多种关联，传统思路一般是增加GCN的层数，并融合在一起。但是增加网络层数可能会带来训练过程中的梯度消失等问题。

   作者通过超图的概念，一举两得，同时达到了分开学习更好Embedding 和 建模高阶关联的作用。

3. 超图中如何表示高阶关联，一开始比较模糊，自建了一个小网络跟着论文一步步推导之后才逐渐明了。

4. 类似NCF，给出了超图上做协同过滤的框架，其中超图的定义，超图卷积，联合消息更新都可以自定义。提出框架的工作一般会比单独的模型影响力大，后续写作过程中可以想办法把工作提炼升华成框架的形式。

5. 分治思想比较重要，往往让一套embedding去拟合两个目标，如本文中提到同一套embedding同时拟合user和item,NCF中提到的同一套embedding同时拟合MF和MLP，效果都不如分别训练embedding去拟合各自的目标。