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：

  1. 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。

  2. 如何对用户-物品的交互信息和社交网络信息进行融合。

     1. 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)
        1. 线性融合
           1. [172]DiffNet/2019对两种学习到的用户表示进行求和池化。
           2. [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。
        2. 非线性融合
           1. 非线性融合中，多层感知机是最受欢迎的方法。
     2. 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。