題目： A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks
作者：

原文鏈接： https://www.researchgate.net/publication/343780326_A_Framework_for_Recommending_Accurate_and_Diverse_Items_Using_Bayesian_Graph_Convolutional_Neural_Networks
代碼：

關鍵詞： 推薦系統； 貝葉斯； 圖卷積神經網絡；

總結

看不懂下一個！！！

摘要

問題：

① 沒有觀察到的user-item交互當作消極樣本不對，有時候user會選擇這些
② user-item也會存在虛假的交互

方法：

使用貝葉斯圖卷積神經網絡框架對用戶-物品交互圖中的不確定性建模。
損失： 利用貝葉斯概率排序訓練損失提供一個具體的公式

數據集： four benchmark；an industrial large-scale dataset；

1. 介紹

協同過濾： 給用戶推薦相似的物品
其中MF（matrix factorization）模型在Netflix上實現了最好的性能； 它被期望可以學習出user的偏好向量以及item的向量；
現在隨著深度學習的發展，許多user和item之間非線性的關系也可以被學習到（隱藏的興趣）；

基于MF的方法有三大問題： 疏性問題、不確定性問題和多樣性問題。稀疏問題指的是user-item歷史交互不多； 不確定性問題指的是收集的數據不能確定是不是positive和negative！ 不能全部認為收集到的交互就是GT交互，也由于物品從未呈現給用戶， 一些潛在的用戶與物品的交互就會被丟失。 多樣性問題指的是： Top-N推薦中推薦的物品都是各自為戰，相互不影響，卻忽視了Top-N推薦中應該是多種物品進行推薦！

基于圖的方法中則將user-item 交互看做成二部圖，也就是用戶之間的相似性和項目的共性分別表示為user-user和item-item！ 之后采用GCNs從利用神經網絡從局部圖中迭代學習（aggregation）到特征信息。 其中提出的系統利用來自異構交互類型（搜索、引導、點擊等）或交互動機的user-item交互圖、user-user和（或）item-item共存圖和異構圖。

基于圖的推薦系統中卻仍然存在不確定性和缺乏多樣性兩個缺點。1. 不確定性可以這樣理解， 如果一個人從其他商店購買了，那么就會和該商店的item距離遠了，那么就不在當前購買記錄了！ 而圖的邊并不能包含全部歷史記錄，除此之外，用戶的錯點現象也是不確定的； 2. 現在的方法同樣無法解決多樣性問題，局部圖迭代學習反而使得item的embedding更接近！ 而擴大范圍又會引入更多的噪音！

BGNNs（貝葉斯圖神經網絡）： 該網絡中包含了節點復制的隨機圖生成模型，節點復制模型可用于生成與觀察到的圖相似的樣本圖，但它們在邊方面包含足夠的多樣性，以促進更好的學習！貝葉斯GNN以前沒有被用于推薦任務，但已經證明，當訓練標簽很少時，它們可以在半監督節點分類中產生顯著的性能改進

貢獻就是摘要中的方法和數據集

3. preliminaries

根據上面的分析，創新點就是圖的不確定性、節點復制的生成圖模型和貝葉斯個性化排名損失。 我們下面看看這三部分具體是什么樣子的！

3.1 貝葉斯圖卷積網絡

由于推薦系統二部圖中不存在固有的塊結構，因此MMSBM不是一種適用的圖模型。作為一種替代方案，我們使用一種更通用的基于復制節點的圖生成模型。

3.2 Node Copying

在【24】中介紹了Node Copying， 樣本會通過在觀察圖的鄰接矩陣進行概率性的重新排列（替換）而產生的！ 其中${\mathcal{G}}_{obs}$ 是被觀察圖

完整的圖抽樣過程包括兩個階段， 第一是獲取隨機$\zeta$， 第二是，一旦隨機$\zeta$被獲取了， 通過對每個節點執行具有一定概率的復制，增加了第二層隨機性

【24】Bayesian Graph Convolutional Neural Networks using Node Copying

3.3 隱式推薦的貝葉斯個性化排名損失

在[26]中，Rendle等人引入了基于貝葉斯模型的推薦系統排名損失。在這項工作中，我們建立在該模型的基礎上，將其擴展到考慮節點復制BGNN的多個圖

【26】Bayesian Personalized Ranking from Implicit Feedback

總結

以上是生活随笔為你收集整理的知识图谱论文阅读【十二】【KDD2020】 使用贝叶斯图卷积神经网络推荐精确和多样化项目的框架【看不懂，待续】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。