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
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。
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)
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。
3.6 output layer
4 實(shí)驗(yàn)結(jié)果
