同时考虑用户兴趣和社交影响变化的动态图

2019，WSDM

《Session-based Social Recommendation via Dynamic Graph Attention Networks》论文阅读笔记

1. 推荐中面临挑战：
   （1）用户兴趣是动态变化的；
   （2）用户会受到朋友的影响，而且影响者是动态的（用户在搜索滑稽电影时会受到喜欢喜剧朋友的影响；而在搜索动作片时，可能会受到另一组朋友的影响）

2. 已有方法：
   为了获得用户的动态兴趣，将用户的行为划分为子序列（会话），在当前会话中给用户推荐下一个感兴趣的项目。此外，朋友也会对推荐产生影响，因此提出基于会话的社交推荐。

3. 存在问题：
   只考虑建模用户兴趣的动态变化或者社交影响，并没有将两者结合。

4. 本文：
   提出动态图注意神经网络，动态推断用户当前兴趣受到的影响。用RNN建模动态用户行为，用图注意神经网络反映上下文相关的社交影响。
   

5. 具体：
   5.1 RNN
   建模用户当前会话中推荐的项目
   
   5.2 建模朋友的兴趣
   （1） 短期兴趣：
   用RNN的最终输出表示：
   
   （2） 长期兴趣：
   时间不敏感，反应用户的平均兴趣。
   
   W表示用户的嵌入矩阵。
   （3） 结合长短期兴趣（使用非线性变换）：
   
   5.3 图注意网络
   结合当前用户和朋友的特征（每个朋友的影响不同）。首先编码社交网络，然后使用消息传播算法，将特征沿着边传播（使用注意机制）。
   （1） 动态特征图
   用户以及n个朋友的初始特征：
   
   （2） 图注意网络
   注意机制：
   
   f：目标用户和其邻居的相似度函数
   加权聚合：
   
   最终得到社交影响节点特征。
   5.4 推荐
   使用一个全连接层结合用户动态兴趣和社交影响：
   
   预测：