GNN4Rec-2: 解耦表示，理解用户的多样偏好和意图

GNN4Rec系列旨在介绍图神经网络与推荐系统结合的一些工作。第一期主要介绍了用GNN做特征交叉的几篇工作.

GNN4Rec-1：如何用GNN来进行特征交互？

本期介绍下在用GNN学习用户表示的过程中,如何分离出用户的多样化偏好和意图。主要涉及的技术是解耦表征。

解耦表征（Disentangled Representations）通俗一点的理解就是发现对模型预测起决定性作用的抽象特征。

在18年时，谷歌DeepMind团队对 Disentangled Representations 进行了一个定义，即：表示向量空间中的不变子空间（invariant subspaces）是独立表示的。这样就可以去发现数据中的一部分特征对结果恒定的表征[1]。

[1] Higgins, Irina, et al. Towards a definition of disentangled representations.

感觉理论直接理解会比较困难，本文重点介绍一下近些年分离表征与图网络结合的一些应用，包括推荐系统和CV，这样理解起来感觉会更直观一些。

• 20SIGIR Disentangled graph collaborative filtering

• 21AAAI Disentangled motif-aware graph learning for phrase grounding

推荐系统中的应用（20 SIGIR）

推荐系统的东西还有点多，所以就不每个都说了，随机选了一个进行比较详细的分析，其他的就随便带过好了。

• 论文标题：Disentangled graph collaborative filtering

• 论文作者：Xiang Wang; Hongye Jin; An Zhang; Xiangnan He; Tong Xu; Tat-Seng Chua

• 论文地址：https://dl.acm.org/doi/pdf/10.1145/3397271.3401137

协同过滤是推荐系统里的一个经典技术。这篇文章的目的是通过对图特征解耦的方式使得用户意图更加明确，比如不是所有的购物都是给自己买的，也有可能是临时给室友儿子买的，这个时候很有可能购买的物品不是用户本身的兴趣点，也不会长期选择这一类物品。

因此这个工作更关心用户意图上的细粒度上如何分离，鼓励意图独立，如图中的k可以表示不同的意图：

这个问题的建模分为3个部分:

1. 通用的对用户，商品的交互关系建模，并且对他们进行编码；

2. 图解耦模块

3. 解耦表征：

由于需要用户意图，那么基于不同意图的交互形式就可以被分解为 个：

和 分别表示用户和商品。同时，图也可以表示成 。对于用户 来说，由于最终目标是需要分离不同意图，所以用户可以被根据其意图被分离成