前言
- WSDM2019 关于基于图神经网络进行会话级的社交推荐任务
-
关键词： 动态图注意力网络 session-based 社交推荐
摘要
像 Facebook 和 Twitter 这样的在线社区非常流行，已经成为许多用户日常生活中不可或缺的一部分。通过这些平台，用户可以发现和创建其他人将随后使用的信息。在线社交推荐是一个具有挑战性的问题: 1)用户的兴趣是动态的，2)用户受到他们的朋友的影响。此外，影响者可能是上下文相关的。也就是说，可以依赖不同的朋友。
因此，对这两种信号进行建模对于推荐是必不可少的。我们提出了一个基于动态图形注意神经网络的在线社交推荐系统。使用一个递归神经网络模型来模拟动态用户行为，用一个图形注意力神经网络来模拟上下文相关的社会影响，这个神经网络根据用户当前的兴趣动态推断出影响者。整个模型对大规模数据的处理效果良好。
引言
用户兴趣本质上是动态的。用户可能会对体育活动感兴趣一段时间，然后搜索新的音乐社群。
其次，由于在线社群经常促进朋友之间的信息共享，用户也可能受到朋友的影响。例如，一个想看电影的用户可能会受到她朋友的喜好的影响。
此外，影响者的集合可以是动态的，因为他们可以依赖于上下文。例如，一个用户在搜索搞笑电影时会相信喜欢看喜剧的朋友们; 而她在搜索动作片时可能会受到另一组朋友的影响。
如上图的案例中对于社群进行了相关的分析，对于当前用户的相关朋友，分析其长期兴趣和短期兴趣；对于不同session，用户的浏览行为会受到不同相关用户的影响。
当前的相关研究建模用户的动态兴趣，或者建模用户的社交影响，但未将两者结合起来。最近的工作中使用RNN模拟会话级别的用户行为，忽略了社会影响。其他人仅仅研究社会影响。本文提出了一种方法来建模用户的会话兴趣以及动态的社会影响。
根据用户的当前会话，哪个用户的朋友子集影响了她(影响者)。我们的推荐模型是基于动态图注意网络的。
模型首先使用RNN建模一个会话内的用户行为。通过RNN的隐藏状态来捕捉用户当前的兴趣(current interest). 为了提供会话级别的推荐，将用户朋友的短期偏好模型与长期偏好建模区分开来。每个朋友的影响，根据用户当前的兴趣，然后通过注意力机制自动确定。
相关形式化定义
-
session-based Recommendation 定义用户集合
和物品集合
，每个用户u根据时序具有多个会话：
每个session中记录了用户的行为序列：对于用户u，给定新的会话推荐目标就是生成下一步用户感兴趣的物品。 - session-based social Recommendation 在以上定义的基础上，针对在线社群的会话级推荐就是在给定用户的会话序列基础上，通过利用用户的动态兴趣和社群网络的影响来生成推荐物品。
模型方法
完整模型结构如下，可以分为用户个体兴趣表征以及朋友兴趣表征两大块：
1. 动态个体兴趣 Dynamic Individual Interests
为了捕捉用户快速变化的兴趣，利用RNN来建模用户当前会话内的行为序列：并取最后一个序列输出作为当前兴趣表征：
2. 朋友兴趣表征
分为短期和长期表征：短期特征使用最近的一个session利用RNN建模得到；长期特征则使用个体嵌入来表示：
短期兴趣
3. 上下文依赖的社交影响分析
在以上表征的基础上，文中提出利用图神经网络来将用户和其朋友的表征进行结合：首先将关系网络编码成为图结构，节点对应用户，边表示关系，使用用户的兴趣表征来构建节点表征。
-
Dynamic Feature graph: 对于每个用户，构建一个子图，仅包含用户及其朋友，如上图所示。节点的初始化表征如下，由于取每个节点的最新session表征，所以图特征是动态的
-
Graph Attention Network
对上述图中节点利用注意力机制进行计算，然后得到图表征，相当于将用户表征和朋友表征整合到一起来得到最后的用兴趣表征虚有其表，本质上就是个attention，以图结构来组织数据，用的也只是个子图....
4. 推荐
将通过图神经网络得到的用户表征和用户当前兴趣拼接：
5. 模型训练
对所有用户会话中的所有正样本进行训练：最大化似然函数
实验情况
我们保留最近d 天的会话用于测试并过滤训练集没有出现的物品。然后随机而平等地将这些会话分成验证和测试集。
对比效果如下
小结
这篇文章将社交推荐和session-based结合，利用用户-社群关系图来构建用户表征，主要用注意力机制来综合用户和朋友特征，得到最后的特征。
END
本人简书所有文章均为原创，欢迎转载，请注明文章出处 。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问本人简书主页查看最新信息//www.greatytc.com/u/40d14973d97c
