【社交推荐图卷积网络】SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation
社交图卷积网络:一个有效的基于图卷积网络的社交推荐模型
【摘要】图卷积网络(GCN)利用图结构和节点特征信息对图的信息扩散过程进行建模,取得了良好的效果。基于经典的CF模型,该论文提出的模型的核心思想是借鉴GCNs的优势来捕捉社交网络中社交扩散过程对用户偏好的影响。
【原理】GCNs的关键思想是学习图数据中的迭代卷积运算,其中每个卷积运算都意味着从上一层的局部邻居的集合中产生当前的节点表示,以图的消息传递或信息扩散方式生成节点嵌入。具体地说,每个节点通过聚合来自邻居的信息来获得其嵌入,反过来,来自邻居的消息又基于来自各自邻居的邻居,依此类推。
【模型】
他们在社交网络上执行GCN(池化和RELU),得到用户在社交网络的用户向量表示
1)Item Embedding:由物品特征y和物品自由基潜向量q决定,即对于每一项i,我们假设其潜在嵌入vi是由两部分组成的函数:项特征嵌入yi和来自自由基潜矩阵Q的自由基潜向量qi
2)User Embedding:对于每个用户a来说,他的潜嵌入ui的构成更加复杂,因为用户喜欢表达和传播自己的偏好,导致潜偏好在社交网络S中扩散,因此通过聚合来自邻居的信息来获得其嵌入,而来自邻居的消息又基于邻居的邻居。
3)用户最终的向量表示:包括两部分:从社交网络中得到的用户向量表示和用户历史行为偏好。
上图为SocialGCN的整个框架:由左边的图可以看出用户之间的社交关系以及用户对物品的行为,右边的图从右往左看,最下面的输入a为u的邻居,上面的两个输入a和c为b的邻居,而b和u又为a的邻居,即每个卷积运算都意味着从上一层的局部邻居的集合中产生当前的节点表示,而来自邻居的影响又来自于邻居的邻居。计算出后,加上用户的历史行为偏好,即用户对于物品的操作或浏览记录,计算得出最后的用户向量表示
。最后基于CF(协同过滤),预测用户a对于未浏览的物品k的评分。