WWW2019|图神经网络在社交推荐中的应用
Graph Neural Networks for Social RecommendationWenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao...
Graph Neural Networks for Social Recommendation
Wenqi Fan, Yao Ma, Qing Li, Yuan He, Eric Zhao, Jiliang Tang, Dawei Yin
City University of Hong Kong, Michigan State University, The Hong Kong Polytechnic University, JD.com
http://ira.lib.polyu.edu.hk/bitstream/10397/81232/1/Fan_Graph_neural_networks.pdf
最近，图神经网络(GNNs)在图数据上的学习能力逐渐凸显，这种神经网络能够自然地将节点信息和拓扑结构集成起来。
GNN的这些优势在高级社交推荐中潜力巨大，社交推荐系统中的数据可以表示为用户之间的社交图以及用户商品图。其中学习用户和商品的隐含表示是关键。
然而，基于图神经网络构建社交推荐系统面临一些挑战。比如，用户商品图能够将交互和相关的观点进行编码；社交关系的强度具有异质性；用户出现在两个图中，即用户用户社交图以及用户商品图。
为了同时解决上述三个挑战，这篇文章提出一种用于社交推荐的新的图神经网络框架，GraphRec。具体而言，作者们给出一种具有一定原则的方法，该方法能够将用户商品图中的交互和观点同时捕捉到，同时对两个图进行建模，并且能够对异质的强度进行建模。
在两个真实数据集上的实验表明了GraphRec的有效性。
基于社交的推荐依赖以下两个子图
这篇文章的主要贡献如下
这篇文章所涉及的符号表示如下
问题描述如下
这篇文章的模型结构图示如下
商品空间的用户隐含因子表达形式如下
考虑用户对商品评分的特征表示可以借助MLP来完成，细节如下
目前比较流行的对商品进行聚合的操作是取平均
为了解决上述取平均带来的问题，可以考虑利用注意力机制来解决
其中注意力权重系数计算方式详情如下
社交关系的聚合方式如下
其中注意力系数计算方式如下
商品空间的用户隐含表示跟社交空间的用户隐含表示可以利用mlp进行聚合，细节如下
类似的，针对某个商品的用户聚合方式如下
评分预测方式如下
目标函数以及训练方式简介如下
数据集信息及统计如下
评价指标有以下两个
参与对比的几种方法有
超参数设置如下
几种方法的效果对比如下
为了验证几个部分的作用，作者们考虑了以下两个变种模型
效果对比如下
为了验证注意力机制对模型效果的影响，作者们考虑了以下四种模型
不同模型的效果对比如下
嵌入层大小对模型效果影响如下
我是分割线
您可能感兴趣
WWW2020|基于隐含意图的注意力序列模型在下一个商品推荐中的应用
NIPS论文系列|复数域RNN,深层生成模型,DRL在MDP中的应用(已开源)
AAAI2020|结合时空信息的分层注意力网络在大规模社交网络中的应用
WSDM2020|基于强化学习的多轮对话推荐系统(EAR, 即将开源)
WWW2020|如何利用未来数据协助训练基于会话的推荐(GRec)
ICML2018|基于自注意力的序列推荐模型SASRec(已开源)
IJCAI2018|分层时空LSTM在位置预测中的应用(HST-LSTM)
IJCAI2019|基于会话和注意力机制的CTR预估模型DSIN(已开源)
AISTATS2018|密歇根大学提出新型在线boosting算法用于多标签排序(已开源)
AAAI2020|一种新型高效兼容多行为的推荐系统模型EHCF(已开源)
ICML2007|深度学习用于协同过滤的开篇作之一(出自深度学习鼻祖之一Hinton)
SIGIR2019|基于BERT的深度学习模型在信息检索中的应用(已开源)
SIGIR2019|深度学习如何更好地用于学习排序(LTR)(已开源)
SIGIR2019|利用DeepSHAP来解释神经检索模型(已开源)
KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)
RecSys2019|优于DeepFM和XDeepFM的CTR模型FiBiNET
SIGIR2018|选择性GBDT(SelGB)用于排序学习(已开源)
IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
1
0- 0
已为社区贡献9条内容
所有评论(0)