2020 TKDE
1 motivation
1.1 问题
目前，大部分关于社交网络、用户购物行为、项间关系等的数据都可以用图结构来表示。图神经网络(GNNs)通过自然地整合节点信息和拓扑结构，在学习有意义的图数据表示方面取得了巨大的成功。用于社交推荐的数据也可以用用户-用户社交图(user-user social graph)和用户-项目图(user-item graph)的形式表示为图形数据。此外，项目之间的关系可以表示为图形数据，表示为项目项目图。gnn为推进社会推荐提供了前所未有的机会，然而，在基于这种模型框架构建基于gnn的社会推荐存在相当大的挑战，因为(1)用户(物品)同时参与用户-物品图和用户-用户社交图(物品-物品图);(2)用户-项目图不仅包含用户-项目交互，还包含用户对项目的看法;(3)用户之间的社会关系本质是异质的。
1.2 解决
我们提出了一种新的用于社会推荐的图神经网络框架(GraphRec+)，该框架能够对图数据进行一致性建模，以学习更好的用户和项目表示。具体来说，我们引入了一种原则性的方法来共同捕获用户-项目图中的互动和意见，并提出了一种区分社会关系异质强度的注意机制。在三个真实数据集上的综合实验表明了该框架的有效性。
2 介绍
这些社会推荐系统是基于口碑营销的现象而开发的，口碑营销被广泛认为是最有效的项目推荐策略。具体来说，用户可以通过周围的人(如同学、朋友、亲戚或同事)获取和传播信息。通过社会关系，可以分析用户对物品对偏好，也能帮助用户过滤信息。
如图所示，三类图就可以组成一个大的异构图。从这三个图中聚合信息对于从不同的角度了解更好的用户和项目表示非常重要。因此，第一个挑战是如何内在地组合这些图。此外，user-item graph不仅包含了用户与物品之间的交互，还包含了用户对物品的意见。这些意见可以被用户作为评分分数明确地给出，一般在一定的数值范围内。第二个挑战是如何捕捉用户和产品之间的互动和意见。此外，在线世界中链接信息的低成本可能导致具有不同纽带优势的网络(例如，强纽带和弱纽带混合在一起)[23]，与弱纽带相比，强纽带中的用户更有可能分享相似的品味。同样考虑社会关系可能不足以对复杂的用户关系进行建模，并可能导致推荐性能的下降。因此，第三个挑战是如何区分具有异质优势的社会关系。
3 模型介绍
3.1 符合说明
