DGCF:Disentangled Graph Collaborative Filtering论文及代码

一、前言

关注用户意图粒度更细的用户-项目关系。因此，设计了一个新的模型——解纠缠图协同过滤（DGCF），以解纠缠这些因素并产生解纠缠的表示。通过为每个用户项交互的意图建模分布，我们迭代地细化意图感知交互图和表示。同时，我们鼓励不同意图的独立性。这导致了分离的表示，有效地提取出与每个意图相关的信息。

协作过滤（CF）侧重于历史用户项目交互（例如，购买、点击），它假定行为相似的用户可能对项目有类似的偏好。对基于CF的推荐器进行了广泛的研究，用户-物品交互关系的建模发展过程可以概括为 

① 单个ID（用户、物品）的embedding

② 融入个人历史信息的embedding（一阶连通性）

③ 利用整体交互图的embedding（高阶连通性）

这项工作做出了以下主要贡献：

我们强调了不同用户物品关系在协同过滤中的重要性，对这种关系的建模可以带来更好的表示和可解释性。

我们提出了一种新的模型DGCF，它以更精细的用户意图粒度来考虑用户-项目关系，并生成不纠缠的表示。

任务由两个子任务组成：

1、在用户意图的粒度级别上探索用户与项目的关系，

一个用户的行为会受到多种意图的影响，例如消磨时间、匹配特定兴趣爱好以及为家人等其他人购物。

 学习每个行为的用户意图的分布A（u，i），

2、生成未纠缠的CF表示

提取与各个意图相关的信息作为表示的独立部分。更正式地说，我们的目标是设计一个嵌入函数f（·），以便为用户u输出一个解纠缠的表示eu，它由K个独立分量组成：

二、DGCF模型介绍

（PS：模型概述：模型设置 K 个意图，每个意图都对应一个子图。在 K 个子图上分别学习用户和物品的嵌入，最后组合起来形成最终的嵌入。）

提出了一种被称为DGCF的解缠结图协作过滤，如图2所示。它由两个关键组件组成，以实现解缠结：

1）图解缠结模块，它首先将每个用户/项目嵌入到块中，将每个块与意图耦合，然后将新的邻居路由机制并入图神经网络，以便解开交互图并细化意图感知表示；

2）独立性建模模块，该模块使用距离相关性作为正则化器来鼓励意图的独立性。DGCF最终生成具有意图感知解释图的解纠缠表示。

1、关于GNN的图分离模块

（1）意向感知嵌入初始化

主流CF仅将用户/项目ID参数化为整体表示，我们还将ID嵌入分离为K个块，将每个块与潜在意图相关联。用户嵌入被初始化为：

 其中是用于捕获u的固有特性的ID嵌入；是u对第K个意图的分块表示。

 （2）意向感知图初始化

以前的工作不足以描述行为背后的丰富用户意图，因为它们只利用一个用户-项目交互图或同质评级图来展示用户-项目关系。

定义了一组得分矩阵{Sk|∀k∈ ｛1，··，K｝｝。注意图感知矩阵Sk，每个条目Sk（u，i）表示用户u和项目i之间的交互。

此外，对于每个交互，我们可以构造一个得分向量S（u，i）=（S1（u，i），··，SK（u），i））,我们统一初始化每个得分向量，如下所示：

 其假定在建模开始时意图的贡献相等。因此，这种得分矩阵Sk可以被视为意图感知图的邻接矩阵。

(3)图形分离层

目标是从用户和项目之间的高阶连接中提取有用信息，而不仅仅是ID嵌入。为此，我们设计了一个新的图分离层，该层配备了邻居路由和嵌入传播机制，其目标是在传播信息时区分每个用户项连接的自适应角色。

 

 表示用户 u 在子图 k 上的 1 阶聚合信息，中间使用了邻居路由机制来迭代更新

迭代更新规则

路由机制：首先，我们使用嵌入传播机制来更新意图感知嵌入，基于意图感知图；然后，我们依次利用更新的嵌入来细化图并输出意图上的分布。特别是，我们设置T次迭代来实现这种迭代更新。

在GCN的某一层中，其迭代更新的过程为：子图邻域聚合 → 得到用户(物品)嵌入 → 调整子图连边权重 → 子图邻域聚合 → ....

交叉意图嵌入传播

对于目标交互（u，i），我们有得分向量，比如{Sk（u，i）|∀k∈ {1，··，K}}。为了获得其在所有意图上的分布，我们随后通过softmax函数对这些系数进行归一化：

 其能够说明哪些意图应该得到更多关注以解释每个用户行为（u，i）。

我们在单个图上执行嵌入传播，从而将对用户意图k有影响的信息编码到表示中。更正式地说，加权和聚合器定义为：