发表于2019年RecSys
《Deep Social Collaborative Filtering》论文阅读笔记
- 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。
- 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。 - 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。
- 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