Multi-behavior Recommendation with Graph Convolutional Networks (SIGIR’20)
场景是多交互行为场景,用户和物品的交互可能包括收藏、加购、点击、购买等,这是一个异质图
文章提出MBGCN,主要分为四个部分:
User Embedding Propagation
用户embedding由不同行为对用户的影响决定,不同行为重要性和稀疏性不同,所以先算不同行为对用户的响应权重:
α u t = w t ⋅ n u t ∑ m ∈ N r w m ⋅ n u m \alpha_{u t}=\frac{w_{t} \cdot n_{u t}}{\sum_{m \in N_{r}} w_{m} \cdot n_{u m}} αut=∑m∈Nrwm⋅numwt⋅nut
其中 w t w_t wt行为重要性,文章中是可训练参数,我觉得可以根据业务指定。 N r N_{r} Nr 是行为种类数。然后利用这个权重融合交互物品的embedding:
p u , t l = aggregate ( q i l ∣ i ∈ N t ( u ) ) p u l + 1 = W ( l ) ⋅ ( ∑ t ∈ N r α u t p u , t l ) \begin{array}{c} p_{u, t}^{l}=\operatorname{aggregate}\left(q_{i}^{l} \mid i \in N_{t}(u)\right) \\ p_{u}^{l+1}=W^{(l)} \cdot\left(\sum_{t \in N_{r}} \alpha_{u t} p_{u, t}^{l}\right) \end{array} pu,tl=aggregate(qil∣i∈Nt(u))