以下內(nèi)容純屬個(gè)人見解,歡迎大家交流。
發(fā)布于2019 WWW
1 motivation
1.1 問題
利用社會(huì)信息來解決數(shù)據(jù)稀疏和預(yù)熱將問題在傳統(tǒng)協(xié)作過濾方法抚太。然而,大多數(shù)現(xiàn)有的模型假設(shè)社會(huì)結(jié)合從朋友的形式下用戶靜態(tài)和恒定重量或固定約束。
1.2 解決方法
我們提出雙圖注意網(wǎng)絡(luò)來協(xié)同學(xué)習(xí)雙重社會(huì)效應(yīng)的表示,其中一個(gè)是由一個(gè)特定于用戶的建模注意權(quán)重囊扳,另一個(gè)是由一個(gè)動(dòng)態(tài)建模和上下文感知注意力權(quán)重吩翻。我們還將用戶領(lǐng)域的社會(huì)效應(yīng)擴(kuò)展到產(chǎn)品領(lǐng)域,從而利用相關(guān)產(chǎn)品的信息進(jìn)一步緩解數(shù)據(jù)的稀疏性問題宪拥。
此外,考慮到兩個(gè)領(lǐng)域的不同社會(huì)效應(yīng)會(huì)相互影響并共同影響用戶對(duì)物品的偏好她君,我們提出了一種基于上下文multi-armed bandit的基于策略的融合策略來權(quán)衡各種社會(huì)效應(yīng)的交互作用脚作。
2 相關(guān)介紹
之前模型的局限性:
(1)大多數(shù)研究假設(shè)鏈接用戶都有相似的偏好球涛。這一假設(shè)并不適用于當(dāng)代的social
network services(SNS),因?yàn)榫W(wǎng)絡(luò)上可能存在各種各樣的朋友類型,如親密朋友牍陌、普通朋友员咽、事件朋友等毒涧。因此,直接將友誼等同于具有偏好相似性的SNS可能并不合理贝室。
(2)大多數(shù)工作在固定權(quán)重或固定約束的形式下靜態(tài)地模擬朋友的影響契讲。這種假設(shè)忽略了社會(huì)影響的動(dòng)態(tài)模式。事實(shí)上滑频,用戶在面對(duì)特定的物品時(shí)會(huì)受到特定的朋友群體的影響捡偏,這使得社交效果是動(dòng)態(tài)的,并且依賴于特定的上下文误趴。
(3)之前的方法缺乏對(duì)社會(huì)效應(yīng)的可解釋性霹琼,也就是說,它們不能明確地表明用戶對(duì)某一物品的偏好是如何受到朋友的影響的凉当。
在現(xiàn)實(shí)世界中枣申,人們的決策會(huì)受到各種因素的影響,人們的行為往往是多方面原因的結(jié)果看杭。為此忠藤,我們探討了推薦系統(tǒng)中的四種不同的社會(huì)效應(yīng),包括用戶域的雙重效應(yīng)和商品域的對(duì)稱雙重效應(yīng)楼雹,如下圖所示:
在用戶領(lǐng)域中模孩,朋友可以通過兩種方式相互影響尖阔。首先,用戶傾向于擁有與朋友相似的偏好榨咐,這被稱為社交同質(zhì)性(a)
社會(huì)同質(zhì)性往往會(huì)導(dǎo)致用戶偏好的內(nèi)在效應(yīng)介却,這種效應(yīng)保持不變,不受外部環(huán)境的影響块茁。另一方面齿坷,一個(gè)用戶的朋友購買了一件商品,他可能會(huì)把它推薦給那個(gè)用戶数焊,這個(gè)用戶可能更有可能去點(diǎn)擊這些商品永淌,這被稱為社會(huì)影響(b)
實(shí)際上,社會(huì)影響會(huì)對(duì)用戶偏好產(chǎn)生行為級(jí)效應(yīng)佩耳,用戶偏好會(huì)隨著特定的上下文動(dòng)態(tài)變化
此外遂蛀,在商品領(lǐng)域,也存在類似的“社會(huì)效應(yīng)”干厚。首先李滴,一些相關(guān)產(chǎn)品在用戶面前具有相似的吸引力。我們將其稱為項(xiàng)目到項(xiàng)目的同質(zhì)性(c)蛮瞄,并將項(xiàng)目屬性的組件稱為靜態(tài)屬性悬嗓。
另一方面,如果一個(gè)項(xiàng)目在某個(gè)社區(qū)中很受歡迎裕坊,那么其他相關(guān)的項(xiàng)目就更有可能被這個(gè)社區(qū)的用戶點(diǎn)擊。這種現(xiàn)象可以稱為物對(duì)物影響(d)燕酷,它取決于具體的語境籍凝。
用戶領(lǐng)域和產(chǎn)品領(lǐng)域的雙重社會(huì)效應(yīng)可能共同影響用戶對(duì)某一產(chǎn)品的決策。
3 模型介紹
user-item交互矩陣苗缩,分別為用戶和物品的數(shù)量饵蒂。表示用戶、物品交互過酱讶,否則退盯。分別表示與物品交互的用戶集合,與用戶交互的物品集合泻肯。social graph定義如下:
表示用戶信任或者認(rèn)識(shí)的人渊迁,即social graph中,與節(jié)點(diǎn)u相鄰的節(jié)點(diǎn)表示的用戶灶挟。用戶-用戶的交互頻率用表示琉朽,是交互類型的個(gè)數(shù),該向量反應(yīng)了用戶之間的關(guān)系的密切程度稚铣。
3.1 Raw Input and Item Implicit Network
輸入是social graph和user-item交互矩陣箱叁。大多數(shù)現(xiàn)有的方法獨(dú)立地處理項(xiàng)目墅垮,因?yàn)闆]有明確表達(dá)項(xiàng)目之間關(guān)系的先驗(yàn)信息。我們構(gòu)建一個(gè)item-item graph耕漱,具體的操作是對(duì)于兩個(gè)item算色,如果共同交互過他們的人數(shù)大于一個(gè)閾值,那么就認(rèn)為這兩個(gè)item存在關(guān)系螟够,得到如下的圖:
3.2 embedding layer
一個(gè)用戶的既可以被用戶特性表示灾梦,也可以被他交互過的物品表示。前者表示他的偏好齐鲤,后者表示被他評(píng)價(jià)的歷史記錄對(duì)當(dāng)前決策的潛在影響斥废。這種嵌入可以處理假陰性樣本,提高模型的精度给郊。類似地牡肉,每個(gè)物品可以由特定于物品的嵌入和為其評(píng)級(jí)的用戶(稱為基于用戶的條目嵌入)來表示。
對(duì)于用戶淆九、物品各自的特性embedding统锤,我們定義為
基于物品的用戶embedding,我們定義一個(gè)物品embedding lookup,
同理炭庙,基于用戶的物品embedding饲窿,一個(gè)用戶embedding lookup,
3.3 Dual Gat/GCN layer
3.3.1 GAT to capture social homophily(圖中藍(lán)色部分)
我們用表示固有的用戶偏好因子,通過GAT得到用戶靜態(tài)偏好焕蹄。
為注意力權(quán)重逾雄,計(jì)算方式為:
3.3.2 GAT to capture social influence(圖中黃色部分)
對(duì)于基于物品的用戶embedding,,設(shè)待測(cè)物品為腻脏,采用點(diǎn)乘的方式進(jìn)行計(jì)算鸦泳,之后再進(jìn)行一個(gè)max pooling得到一個(gè)向量:
此時(shí)包含兩層信息:用戶的上下文感知偏好,的內(nèi)在表征(與社會(huì)信息無關(guān))永品。對(duì)用戶動(dòng)態(tài)偏好因子進(jìn)行GAT做鹰,得到
3.3.3 GAT to capture item-to-item homophily(圖中綠色部分)
我們使用物品嵌入來表示條目的固有屬性因子,GAT公式如下
3.3.4 GAT to capture item-to-item influence(圖中紅色部分)
3.4 Pairwise Neural Interaction Layer
由于用戶對(duì)某一物品的決策通常同時(shí)取決于用戶偏好和物品屬性鼎姐,我們可以讓兩個(gè)用戶偏好因素和兩個(gè)物品屬性因素相互作用钾麸。然后我們借用了將四個(gè)結(jié)果輸入到不同的神經(jīng)網(wǎng)絡(luò),:
3.5 Policy-Based Fusion Layer
要將4個(gè)交互特征融合成一個(gè)炕桨。注意饭尝,同質(zhì)性效應(yīng)和影響效應(yīng)可以共同影響用戶偏好和項(xiàng)目屬性,但對(duì)于不同的用戶和項(xiàng)目谋作,雙重效應(yīng)的重要性可能不同芋肠。為此,我們提出了一種新的基于策略的融合策略遵蚜,根據(jù)特定的用戶-物品對(duì)動(dòng)態(tài)地分配權(quán)重給四個(gè)交互特征帖池。