一個有效的基于圖卷積神經網絡的社交推薦模型

原文鏈接：SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation, arxiv
原理：在用戶-項交互圖上應用GNN來學習用戶向量的表示，用戶向量和項向量內積預測評分

摘要

大多數的社交推薦模型利用用戶局部鄰居（應該指的是直接信任的用戶）的偏好去緩解數據稀疏性的問題。然而，他們只考慮了每個用戶的局部鄰居，忽略了用戶偏好受信息在社交網絡傳播的影響過程。近年來，圖卷積網絡(GCN)利用圖結構和節點特征信息對圖中的信息擴散過程進行建模，取得了良好的效果。
為此，本文提出了一種有效的基于圖卷積神經網絡的社會推薦模型。基于一個經典的CF模型，我們提出的模型的核心思想是利用GCNs的優勢來捕捉用戶的偏好如何受到社交網絡中社交擴散過程的影響。用戶偏好的擴散建立在分層擴散的基礎上，初始化用戶嵌入由當前用戶特征和不包含用戶特征的潛在向量進行函數處理得到的，初始化項嵌入也類似。

問題定義

user set ：U (|U|=M)
item set ：V (|V |=N)
rating matrix ：R ∈ R^M×N
social link matrix ：S ∈ R^M×M
user attribute matrix ：X ∈ R^d1×M
item attribute matrix ：Y ∈ R^d2×N
user free based latent matrix ：P ∈ R^L×M
item free based latent matrix ：Q ∈ R^L×N
定義【social recommendation task 】：
given a rating matrix R and a social network S, and associated feature matrix X and Y of users and items, our goal is to predict each user’s preferences to unknown items.

模型結構

Item Embedding

項 i 的潛在嵌入 v_i 由兩部分組成：項的特征嵌入 y_i 和 來自潛在矩陣Q ∈ R^L×N 的潛在向量 q_i，通過一個全連接神經網絡層計算得到：

User Embedding

給定一個社交網絡 S, GCN 的目標是用分層的多層結構對來自其社交鄰居的每個節點嵌入進行建模。
對于每個用戶 a，讓 h^k_a表示 a 在第 k 層的潛在嵌入，給定他的社交鄰居在這一層的潛在嵌入，圖卷積運算定義了 a 在 k+1 層的潛在嵌入 h^k+1_a：

其中，AGGk 表示用戶 a 整合他社交網絡第k層鄰居潛在嵌入的影響，可以使用平均整合或者最大整合（也就是池化的意思）
如下定義卷機操作：

h₀是初始化用戶潛在項量，與項潛在向量得到的方法類似：

最終我們整合第 K 層的社交影響 和 用戶歷史交互的影響 得到用戶最終潛在嵌入：

Predict

模型訓練

pair-wise ranking based loss function：

總結

額······
這篇論文和我讀的上一篇論文 A Neural Influence Diffusion Model for Social Recommendation 有區別嗎？可能只有題目不一樣吧？模型架構和計算方式是一摸一樣的啊 ！！！

總結

以上是生活随笔為你收集整理的论文笔记（SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation）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。