神經(jīng)影響傳播模型為了社交推薦

原文鏈接：A Neural Influence Diffusion Model for Social Recommendation, SIGIR’19
原理：社交網(wǎng)絡(luò)上應(yīng)用GNN提取朋友對用戶的影響+候選項對用戶歷史交互項的注意力影響=用戶向量，用戶向量和項向量的內(nèi)積預(yù)測評分。

摘要

準(zhǔn)確的user 和 item的嵌入學(xué)習(xí)時建立一個成功的推薦系統(tǒng)的關(guān)鍵。協(xié)同過濾CF提供了一種從用戶項的交互歷史中學(xué)習(xí)user和item嵌入的方式，但這樣的話系統(tǒng)的性能將會被用戶行為數(shù)據(jù)的稀疏性而限制。隨著在線社交網(wǎng)絡(luò)的出現(xiàn)，社交推薦系統(tǒng)可以利用用戶鄰居的表現(xiàn)去緩解數(shù)據(jù)稀疏性的問題，從而更好的模擬user和item的嵌入。
我們認為，對于一個社交平臺的每一個用戶來說，他潛在的嵌入是受其信任用戶的影響的，而這些信任用戶又受信任用戶的社會關(guān)系的影響。隨著社交影響遞歸的在社交網(wǎng)絡(luò)中傳播和擴散，每個用戶的嵌入會在每次的遞歸過程中變化。
然而，目前的社交推薦模型僅僅是利用每個用戶的本地鄰居（應(yīng)該指的是直接相連的鄰居）來開發(fā)靜態(tài)模型，而沒有模擬全球社交網(wǎng)絡(luò)中的遞歸擴散，導(dǎo)致推薦性能不佳。
在本文中，我們提出了一個深度影響傳播模型，以激發(fā)用戶如何受遞歸社會擴散過程的影響。對于每個用戶，擴散過程開始于融合了相關(guān)特性和捕獲了潛在行為表現(xiàn)的免費用戶潛在向量的一個初始嵌入。我們提出的模型的核心思想是，我們設(shè)計了一個分層的影響傳播結(jié)構(gòu)來模擬用戶的潛在嵌入是如何隨著社會擴散過程的繼續(xù)而發(fā)展的。

問題定義

user set：U ( |U|=M )
item set：V ( |V|=N )
user-item interaction matrix：R ∈ R ^M×N
user-user directed graph：G = [U , S ∈ R ^M×M ]
user attributes matrix：X ∈ R ^d1×M
item attributes matrix：Y ∈ R ^d2×N
定義【社交推薦】：
Given a rating matrix R, a social network S, and associated real-valued feature matrix X and Y of users and items, our goal is to predict users’ unknown preferences to items as: R? = f (R, S, X, Y), where R? ∈ R ^M×N denotes the predicted preferences of users to items.

模型結(jié)構(gòu)

模型的整體框架如下：

Embedding Layer

用 P ∈ R^D×M 和 Q ∈ R^D×N 分別表示 users 和 items 的free embeddings，他們捕獲了用戶和項協(xié)作的潛在表示，給定用戶和項的索引，embedding layer 根據(jù)索引從矩陣 P 和 Q 中得到用戶潛在向量 p_a 和項潛在向量 q_i。

Fusion Layer

對于每個用戶 a，融合層將用戶潛在向量 p_a 和用戶特征向量 x_a 作為輸入，輸出用戶 a 的融合嵌入 h⁰_a，融合嵌入從不用類型的輸入數(shù)據(jù)中捕獲了用戶最初的興趣。（項操作類似）我們用一層全連接層來模擬融合層：

Influence Diffusion Layers

對于每個用戶 a，用 h^k_a 表示他在影響傳播部分第 k 層的潛在嵌入，通過將第 k 層的輸出輸入到第 k+1 層，將會把用戶 a 的潛在嵌入更新為h^k+1_a。

h^k_Sa ：平均池化操作，就是將用戶 a 在 k 層信任的所有用戶向量取平均來進行表示。
在給定 K 的情況下，最終會得到用戶 a 在第 K 層的潛在嵌入 h^K_a

Predict Layer

用戶 a 的潛在表示由兩部分組成：社交傳播層輸出的嵌入 h^K_a 和 歷史行為的表示（歷史交互 items 的平均表示）。
最終的預(yù)測由 user 最終潛在向量和 item 潛在向量的內(nèi)積計算得到。

模型訓(xùn)練

pair-wise ranking based loss function

總結(jié)

1、要理解在社交傳播層不是水波紋那樣一圈一圈的計算（比如我之前寫過的 pipple network），而是整體進行遞歸的計算。是典型 neural graph network 的那種計算方式。
2、作者所說的社交網(wǎng)絡(luò)的動態(tài)影響其實只是區(qū)別于之前一些工作中直接將鄰居（信任用戶）向量進行簡單的平均池化操作而言，作者的方法考慮遞歸的考慮了這些鄰居的向量表示，讓鄰居的向量表示也像當(dāng)前用戶向量的計算方式那樣計算。這里用到的社交網(wǎng)絡(luò)其實也是靜態(tài)的，并沒有隨著時間的變化而改變，比如下一個時刻用戶信任了別的用戶，信任網(wǎng)絡(luò)可能隨著時間而擴大。
3、對于信任用戶的信任程度方面，沒有考慮不同用戶的重要程度，更沒有考慮用戶在購買不同物品時對不同用戶的不同信任程度。

總結(jié)

以上是生活随笔為你收集整理的论文笔记（A Neural Influence Diffusion Model for Social Recommendation）的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。