社交推荐相关论文

发表于2019年RecSys

《Deep Social Collaborative Filtering》论文阅读笔记

1. 背景：除了用户-项目交互，社交网络也能提供用户喜好的有用信息。社交理论中提到，用户会受到邻居的影响，这就出现了相似喜好的同质现象。深度神经网络在推荐系统中用来提取用户特征。
2. 存在问题：而现有的深度神经网络技术并不能充分利用社交网络信息。
   （1） 只利用直接邻居的信息；
   用户可能会受到间接邻居的影响 + 当直接邻居无法共享有用信息时，用户需要间接邻居（弱关系）。
   （2） 平等对待每一个邻居信息；
   需要对这些信息进行过滤。在预测用户是否会购买iphonex时，朋友与iphonex或其他iPhone相关物品之间的交互可能会有所帮助，而朋友与耐克鞋之间的交互不相关。
   （3） 没有考虑邻居的评分。
   邻居对于项目的正/负面评价，对于用户的决策影响是完全不同的。
3. 本文：基于GNN从社交关系中提取有用信息，提出深度社交协同过滤框架DSCF充分利用社交网络信息。
4. 具体：
   （1）考虑直接 + 间接邻居；
   （2）选择邻居的相关信息；
   （3）获得邻居对于项目的评分。

随机漫步层：产生项目感知的社交序列
根据与用户的距离区分邻居，随机漫步可以探索网络的局部邻居，产生用户序列，但是这些信息并不是都有用，需要选择与项目相关的信息。
嵌入层：建模用户-项目交互
将评分等级表示为评分嵌入向量，MLP中输入用户，项目，评分嵌入向量，输出用户-项目交互嵌入向量。
序列学习层：学习特征
将序列视为句子，其中的元素当成是单词，采用类似于Bi-LSTM模型提取特征。使用两个注意机制：（1）并非所有用户项目与评分信息的交互，对该项目社会序列贡献相等；（2）并非所有这些序列都有相同的贡献。
输出层：评分预测
学习模型参数