推荐系统中图神经网络应用(三)社交推荐
-
在将用户的社交信息引入到用户-物品交互的学习中的方向上,目前存在两个主要的问题:
-
用户的朋友对用户的影响权重
- [172]DiffNet/2019对用户节点的好友邻居节点一视同仁,使用平均池化来聚合邻居信息。
- [130]DGRec/2019首先使用循环神经网络来对用户行为序列进行建模,随后使用图注意力网络来获取社交网络信息。
- 除此之外,[191]ESRF/2020认为社交网络中存在两种可能的问题/噪音:一是存在的用户好友关系或许并不真正对用户有影响;二是现有的好友关系可能并不完整。因此ESRF使用自编码器来修饰观察到的社交关系。[129]DiffNetLG/2021使用隐式的局部影响来预测可能的社交关系,之后将显式与隐式社交关系结合起来进行推荐任务。
-
如何对用户-物品的交互信息和社交网络信息进行融合。
- 分别对两个图进行学习然后将学习到的两种用户向量表示进行融合(7a)
- 线性融合
- [172]DiffNet/2019对两种学习到的用户表示进行求和池化。
- [174]DASER/2019根据用户-物品对的特征动态地给两种用户表示添加权重进行加权求和。
- 非线性融合
- 非线性融合中,多层感知机是最受欢迎的方法。
- 线性融合
- 将两种图结构融合为一张图进行统一建模(7b)。
- [171]DiffNet++/2020设计了一种双层注意力网络来更新用户表示,第一层注意力中,使用GAT分别从用户-物品交互二部图以及用户社交网络中学得用户表示,第二层注意力机制则用来权衡这两种用户表示的权重。
- [20]SEFrame/2021使用异构图网络同时对用户-物品交互、用户社交网络以及用户行为模式进行学习,它同样也使用了一种双层注意力网络。
- 分别对两个图进行学习然后将学习到的两种用户向量表示进行融合(7a)
-