Graph Heterogeneous Multi-Relational Recommendation(AAAI’21)
多行为多任务的推荐任务在图上属于异质图推荐,用户和物品可能有多种交互行为,不同的行为代表图上不同的边。这时就可以借鉴知识图谱的做法,给不同的边也赋予embeddeding:
![image-20210601153008950](https://tva1.sinaimg.cn/large/008i3skNly1gr2stues5cj60fb0ab41c02.jpg)
不同的交互行为可以表示成: { Y ( 1 ) , Y ( 2 ) , … , Y ( K ) } \left\{\mathbf{Y}_{(1)}, \mathbf{Y}_{(2)}, \ldots, \mathbf{Y}_{(K)}\right\} { Y(1),Y(2),…,Y(K)},其中 Y ( k ) = [ y ( k ) u v ] ∣ U ∣ × ∣ V ∣ ∈ { 0 , 1 } \mathbf{Y}_{(k)}=\left[y_{(k) u v}\right]_{|\mathbf{U}| \times|\mathbf{V}|} \in \{0,1\} Y(k)=[y(k)uv]∣U∣×∣V∣∈{ 0,1} 代表用户 u u u是否和物品 v v v交互了行为 k k k,一共 K K K种行为。
Embedding Propagation Layers
Node的消息传递:
e u ( l ) = σ ( ∑ ( v , r ) ∈ N ( u ) 1 ∣ N u ∣ ∣ N v ∣ W ( l ) ϕ ( e v ( l − 1 ) , e r ( l − 1 ) ) ) \mathbf{e}_{u}^{(l)}=\sigma\left(\sum_{(v, r) \in \mathcal{N}(u)} \frac{1}{\sqrt{\left|\mathcal{N}_{u}\right|\left|\mathcal{N}_{v}\right|}} \mathbf{W}^{(l)} \phi\left(\mathbf{e}_{v}^{(l-1)}, \mathbf{e}_{r}^{(l-1)}\right)\right) eu(l)=σ⎝⎛(v,r)∈N(u)∑∣Nu∣∣Nv∣1W(l)ϕ(ev(l−1),er(l−1))⎠⎞
这里 W l W^{l} Wl是这一层的共享参数, e r e_r er是代表relation的向量,维度和 e u