(在这篇工作的ACM网页上, 有作者的视频讲解, 比看文章好)
算法核心:
- 输入:
- E_u0: user_embedding的初始化
- E_i0: item_embedding的初始化
- H: 由邻接矩阵构造的关联矩阵(incidence matrix)(嗯, 这篇文章甚至都不是用关联矩阵, 而是用邻接矩阵)
- 第一步:
- (注意: 这里的超图和有些部分的超图的构造不太一样: 有些地方首先是超边的构造, 使用k近邻算法, 然后通过超边和结点的关系构造关联矩阵)
- (超图运算的核心: 构造关联矩阵H, 并使之参与运算)
- 得到user的超图H_u
- 得到item的超图H_i
- 第二步: (每层)
- user学到高阶连通性的表征M_u
- item学到高阶连通性的表征M_i
- 第三步: (每层)
- 得到这一层user的embedding: E_u
- 得到这一层item的embedding: E_i
- 第四步:
- 将各层的embedding连接, 得到最后的E_u, E_i
作者卖点:
- JHConv:
- 即, 将原本的超图卷积运算+输入的初始X, 得到一个残差图卷积
- 引入超图的结构，构建跳跃超图卷积JHConv，提取高阶关系。
- 双通道超图结构:
- 解决: 用户和物品建模不灵活。
- 双通道建模，采用分而治之的策略，既整合用户和物品信息，又保持用户和物品各自特性。
摘要:
- 从矩阵分解到新兴的基于图的方法，在训练数据非常有限的情况下表现不佳（数据稀疏问题）。
- 现有基于 CF 的方法固有的两个缺点，即:
- 1)用户和物品建模不灵活;
- 2)高阶相关性建模不足。
- 首先，引入双通道学习策略(Dual-Channel)，全面利用分治策略，学习用户和物品的表示，使这两种类型的数据可以优雅地相互连接，同时保持其特定属性。
- 其次, 利用超图结构对用户和具有显式混合高阶相关性的物品进行建模。提出了跳跃超图卷积(JHConv)方法，实现高阶关系嵌入的显式和有效传播。
与作者组之前的工作的辨析:
-
之前是一个图结点分类问题, 可以看作是一个同构图. 结点之间的可以度量距离. 使用KNN做超边的
-
而协同过滤是一个ui异构图, 所以, 超图的构建使用KNN不够合理. 所以, 超边换了另外一种方式形成.每一跳的邻居构成一个超边
- 因为二分图需要两种结点关联的交互, 所以, 使用第一步的方式构建了两个名义上的"同够超图", 或者说让u和i足够产生关联, 但是又的的确确是代表u和i各自的矩阵 VS (之前的工作本身就是同够的, 所以不用构建)
参考文章(这篇文章其实挺好的, 懒得看英文可以直接看): https://www.jianshu.com/p/37c500da5ecb