面向推荐系统中多方面社会效应深度隐表示的双图注意力网络
信息检索
2019-03-26 v1 机器学习
社会与信息网络
摘要
社交推荐利用社交信息解决传统协同过滤方法中的数据稀疏与冷启动问题。然而,大多数现有模型假设来自好友用户的社会效应是静态的,且表现为恒定权重或固定约束的形式。为放宽这一强假设,本文提出双图注意力网络来协同学习双重社会效应的表示,其中一种由用户特定的注意力权重建模,另一种由动态且上下文感知的注意力权重建模。我们还将用户域中的社会效应扩展到物品域,从而可利用相关物品的信息进一步缓解数据稀疏问题。此外,考虑到两域中不同社会效应可能相互作用并共同影响用户对物品的偏好,我们提出一种基于上下文多臂 bandit(contextual multi-armed bandit)的新融合策略,以权衡各类社会效应的交互。在基准数据集与商业数据集上的实验验证了模型中关键组件的有效性。结果表明,相较于其他最先进的(state-of-the-art, SOTA)社交推荐方法,我们的模型在推荐精度上取得了显著提升。
引用
@article{arxiv.1903.10433,
title = {Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems},
author = {Qitian Wu and Hengrui Zhang and Xiaofeng Gao and Peng He and Paul Weng and Han Gao and Guihai Chen},
journal= {arXiv preprint arXiv:1903.10433},
year = {2019}
}
备注
Accepted by WWW2019 as a full paper with oral presentation