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.
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
![](https://img-blog.csdnimg.cn/img_convert/753f0240260ea6d6270d95d61a2c2516.png)
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:
![](https://img-blog.csdnimg.cn/img_convert/b7bdf31bf4f8e7d67b4b89805800b992.png)
这个问题的建模分为3个部分:
通用的对用户,商品的交互关系建模,并且对他们进行编码;
图解耦模块
解耦表征:
![](https://img-blog.csdnimg.cn/img_convert/1f8a1320010066cb7e9f33e8103ad946.png)
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