Graph Neural Networks for Social Recommendation
Abstract
基于GNN建立社交推荐系统有很多的挑战,因此作者提出了GraphRec框架。作者提供了一种有原则的方法来联合捕获用户-项目图中的交互和意见,并提出了框架GraphRec,该框架连贯地对两个图和异构优势进行建模。
Introduction
作者提出三个问题:
- 如何整合user-user graph和user-item graph
- 如何捕捉用户与item之间的联系以及用户对item 的意见
- 如何区别社交关系的重要性
作者的主要贡献就是解决了上述三个问题,并产生了不错的效果。
An Overview of the Proposed Framework
总体架构如下所示:
整个框架包含三个部分:
-
user modeling包含两个部分
- item aggregation:利用用户与item的联系生成一个embedding
- Social aggregation:利用用户与用户之间的关系生成一个embedding
user modeling部分的输出由上述两个embedding连接成的向量
-
item modeling利用用户对物品的关系与意见产生一个embedding
-
rating prediction部分利用上述两部分的向量,对用户对某个item的打分进行预估。
User modeling
Item Aggregation
由下图可得:
为item 的embedding, 为opinion的embedding, 为MLP
可以使用如下表示:
采用注意力网络进行学习用户对item的不同的权重。
Social Aggregation
同理,social aggregation如下:
Learning User Latent Factor
user modeling的最后将两个图产生的 与 连接送入MLP
Item modeling
与之前的item aggregation一样
Rating Prediction
同理,将user modeling和item modeling的输出结合,喂进MLP:
Model Training
损失函数为:
where is the number of observed ratings , and is the ground truth rating assigned by the user i on the item j.
Optimizer: RMSprop
Overfitting problem: Dropout
###Experiment
与一些baseline比较所得结果:
后续有分别对社交网络与用户意见的影响做了分析:
对注意力机制的探索:
也对embedding的大小做了比较:
Future work
- 探索用户和项目之间的更丰富、复杂的属性
- 考虑评分和社交关系的动态性