SiReN Sign-Aware Recommendation Using Graph Neural Networks论文阅读笔记
Abstract
目前使用GNN的推荐系统主要利用高评分的正向用户-物品交互信息。但是如何利用低评分来表示用户的偏好是一个挑战，因为低评分仍然可以提供有用的信息。所以在本文中提出了基于GNN模型的有符号感知推荐系统SiReN，SiReN有三个关键组件
- 构造一个符号二部图更精确的表示用户的偏好，分为两个边不相交的图，分别是正边和负边
- 通过一个GNN模型和一个MLP，为具有正边和负边的划分图来生成两个嵌入，然后使用注意力模型获得最终的嵌入
- 在优化过程中建立了一个具有符号感知能力的贝叶斯个性化排序损失函数
Introduction
大多数基于GNN的方法只利用了正反馈，通过消除负相互作用，以便在邻居中表现出强烈的同质性。尽管现有的基于GNN的推荐系统显著提高了性能，但是低评级仍然可以提供信息，因为这些信息表达了用户不喜欢什么的迹象，换句话说，在GNN中充分利用两种类型的反馈有可能进一步提高推荐性能，这仍然是一个新的设计挑战
主要贡献
推荐系统中的CF经常被研究为讲低评级作为隐式负反馈。然而因为其固有的架构，包括邻居聚合，这种解释可能不能直接扩展到基于GNN的推荐系统中，所以为了能够在GNN中利用用户的低评分，我们引入了SiReN
我们提出的SiReN方法包括三个组成部分
- 有符号图的构造和划分
- 模型体系结构设计
- 模型优化
为了克服现有的基于GNN的推荐系统无法学习用户与项目之间正负关系的主要问题，我们首先构造一个符号二部图，分为两个具有正边或者负边的边不相交的图。这种符号图的构建和划分过程使我们能够更清楚的识别用户对观察项目的偏好。
具体的说，SiReN包含了三种学习模型。对于具有正边的图，我们采用了推荐系统的GNN模型来拟合，对于具有负边的图，我们采用了MLP，因为负边可以削弱同质性，因此将消息传递到不同节点是不可行的。为了获得最终的嵌入，我们使用了一个注意模型，改模型学习了从GNN和MLP模型中生成的两个嵌入的重要性。第三，作为优化过程中的目标函数，我们提出了一个符号感知贝叶斯个性化排序损失函数。目标函数考虑了用户和项目之间的正相关关系，负相关关系以及未观察到的关系。最后，这个方法是GNN无关的，因此任何GNN架构都可以适当的选择以获得更好的性能。
Methodology
模型的结构为：
算法流程如下
Conclusion
在本文中，我们探讨了一个非常重要的问题，即如何在基于GNN的推荐系统中同时利用高评分和低评分分数。为了解决这个挑战，我们引入了一种新的方法，SiReN，它是基于符号感知和优化模型以及GNN体系结构设计的。
未来研究的潜在途径包括设计一个更复杂的GNN模型，适合有符号二部图中的\(G_n\)。挑战在于开发一种新的信息聚合和传播机制。
