《Attentive Social Recommendation: Towards User And Item Diversities》论文阅读笔记

社交推荐系统：利用用户之间的社交关系以及用户-项目评分预测用户评分（通常用图结构表示），已被证明可以解决冷启动和数据稀疏性问题。

Social factor: 受社交图中邻居的影响；
User-rating factor: 用户主观上评分的影响；
Item-rated factor: 所有评分对项目的影响。
问题：没有充分利用用户/项目的多样性。应该更多地考虑社交关系（避免忽视各个因素的贡献）以及评分值（而不是喜欢不喜欢）。
本文：从两个方面：
（1）提取社交因素、用户-评分和项目-评分因素，然后自动分配权重（注意机制），将这些因素聚合到用户/项目嵌入向量中。
（2）对不同的评级值采用了分离策略。

1. 更新用户嵌入：
   （1） 用户社交向量：
   利用GCN在社交图中传播邻居的信息；
   （2） 用户-评分向量：
   在评分图中，从评分中提取；
   （3） 加权聚合：
   三部分：前一层得到的用户向量 + 社交因素 + 用户-评分因素 （各个部分根据贡献设置权重）
2. 更新项目嵌入：
   （1） 项目-评分向量：
   聚合一个项目的历史评分；
   （2） 加权聚合：
   前一层的项目向量 + 项目-评分向量