解耦图社交推荐
信息检索
2023-03-15 v1
摘要
社交推荐系统因在提升推荐效果中融入用户间社交信息，在许多在线网络服务中备受关注。尽管现有方案取得显著进展，我们认为当前方法存在两点局限：(1) 现有社交感知推荐模型仅考虑物品间的协同相似性，如何在当前推荐范式中融入物品语义相关性尚少有探索。(2) 当前社交推荐系统忽视了潜因子在异构关系（如社交连接、用户-物品交互）上的纠缠。学习具有关系异构性的解耦表示对社交推荐提出巨大挑战。本工作中，我们设计了一种集成潜记忆单元的解耦图神经网络（DGNN），使DGNN能为异构类型的用户与物品连接维护因子化表示。此外，我们在图神经架构下提出新的记忆增强消息传播与聚合方案，使我们能以全自动化方式递归地将语义相关性提炼进用户与物品的表示中。在三个基准数据集上的大量实验验证了模型的有效性，相较最先进推荐技术取得显著提升。源代码公开于：https://github.com/HKUDS/DGNN。
引用
@article{arxiv.2303.07810,
title = {Disentangled Graph Social Recommendation},
author = {Lianghao Xia and Yizhen Shao and Chao Huang and Yong Xu and Huance Xu and Jian Pei},
journal= {arXiv preprint arXiv:2303.07810},
year = {2023}
}
备注
Accepted by IEEE ICDE 2023