GNN:Graph Neural Networks for Social Recommendation简介

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_35564813/article/details/88787850

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：

1. 如何整合user-user graph和user-item graph
2. 如何捕捉用户与item之间的联系以及用户对item 的意见
3. 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

$x_{ia}$由下图可得：

$q_a$为item 的embedding， $e_r$为opinion的embedding， $g_v$为MLP

$Aggre_{items}$可以使用如下表示：

$a_{ia}$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 $h_i^I$与 $h_i^S$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 $|O|$ is the number of observed ratings , and $r_{ij}$ 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