利用对抗图卷积网络增强社交推荐
信息检索
2020-10-26 v4 社会与信息网络
摘要
社交推荐系统期望在用户-物品交互数据稀少时通过引入社交信息来提升推荐质量。然而，业界近期报告指出社交推荐系统在实践中持续失效。根据这些负面发现，失败归因于：(1) 大多数用户在社交网络中仅有非常有限的邻居数量，难以从社交关系中获益；(2) 社交关系含有噪声却被不加区分地使用；(3) 社交关系被假定普遍适用于多种场景，而实际上它们是多面的，并在不同场景中表现出异质强度。现有多数社交推荐模型仅考虑社交网络中的同质性而忽视了这些缺陷。本文中我们提出一种基于图卷积网络(GCN)的深度对抗框架以解决这些问题。具体地，针对(1)和(2)，开发了基于 GCN 的自编码器，通过编码高阶和复杂连通模式来增广关系数据，同时以重构社交画像为约束进行优化，以保证所识别邻域的有效性。在为每个用户获得足够净化的社交关系后，设计基于 GCN 的注意力社交推荐模块，通过捕捉社交关系的异质强度来解决(3)。最后，我们采用对抗训练，通过极小极大(Minimax)博弈统一所有组件，并确保协同作用以提升推荐性能。在多个公开数据集上的大量实验证明了我们框架的优越性，消融研究证实了各组件的重要性和有效性。
引用
@article{arxiv.2004.02340,
title = {Enhancing Social Recommendation with Adversarial Graph Convolutional Networks},
author = {Junliang Yu and Hongzhi Yin and Jundong Li and Min Gao and Zi Huang and Lizhen Cui},
journal= {arXiv preprint arXiv:2004.02340},
year = {2020}
}
备注
Accepted by TKDE