Graph Heterogeneous Multi-Relational Recommendation （AAAI 2021）

摘要：

 

异构多关系数据提供了结构良好的信息，可以用于高质量的推荐。早期利用这些异构数据的努力未能捕捉到用户-物品交互的高跳结构，这不能充分利用它们，可能只能实现受限的推荐性能。我们提出了一种新的多关系推荐模型，名为异构图协同过滤Graph Heterogeneous Collaborative Filtering (GHCF)。为了探索高跳异构用户-物品交互，我们利用图卷积网络(Graph Convolutional Network, GCN)的优势，并进一步改进它，联合嵌入节点(用户和物品)表示和关系表示，进行多关系预测。此外，为了充分利用整个异构数据，我们在多任务学习框架下进行了高级的高效非采样优化。

存在的问题：

用户可以查看商品，将商品添加到购物车中，购买商品等。这些异类行为提供了有价值的用户偏好信号，这有助于构建细粒度的推荐系统，但是现有方法缺乏对用户-项目异构交互的高跳图结构的中的多种关系进行显式编码；同时对于将GCN引入推荐目前只专注于利用只有一种用户行为的用户-物品同构图，所以在我们的模型中，进一步增强了GHCF中的GCN传播层，联合嵌入节点(用户和项目)表示和关系表示，用于多关系预测，同时采用非采样策略计算整个数据(包括所有未观察到的数据)上的梯度，可以很容易地以更稳定的方式收敛到更好的最优

问题的定义：给定用户u，我们的muli-relational 推荐任务就是去预测y(K)_uv,即用户在目标行为K上与物品v交互的可能性；这里对Y(k)解释：k指的是用户行为的类型，y的值即（0/1）有无交互。

Graph Heterogeneous Collaborative Filtering

GHCF模型框架分为三个部分：（1）嵌入传播层（2）多任务预测模块（3）高效非采样学习模块

(1）Embedding Propagation Layers

为了捕捉用户-物品异构交互图结构中的协同信号，提出使用GCN来平滑节点特征。在我们的模型中，用户/物品的表示通过累积所有与他异构交互的用户/物品的信息。但考虑到传统的GCN存在over-parameterization和只嵌入图节点问题，我们提出了一种复合操作，将关系和其邻居节点相联系，然后得到了我们的信息传递公式：

这里的复合操作采用元素积： ，w（l）是layer-specific，对于关系的embedding表示是

其中W(l)_rel是一个特定于层的参数，它将所有的关系投射到与节点相同的嵌入空间，并允许它们在下一个GCN层中使用。

（2）Multi-task Prediction：

通过L层传播，获得了用户、物品和关系的多个表达，最终的final representation 这里采用统一的权重：

对于预测用户在多个行为下与物品交互的可能性，我们定义一个单独的预测层：

，e_rk就是学习到的第k个行为的表示

Efficient Multi-task Learning without Sampling