基于超图卷积网络的非均匀社交推荐
信息检索
2021-11-08 v1
摘要
将社会关系引入推荐系统，即社交推荐，已在学术界和工业界被广泛研究。尽管已取得许多有前景的成果，现有方法大多假设社会关系可均匀应用于所有物品，这并不符合用户实际多样化偏好的情况。本文中，我们认为社会关系的影响应是异质的，即两个具有社会关联的用户可能仅在某些特定物品上持有相同偏好，而对于其他产品，其偏好可能不一致甚至矛盾。受此启发，我们构建了一种新颖的社交推荐模型，将传统的成对“用户-用户”关系扩展为“用户-物品-用户”三元关系。为妥善处理此类高阶关系，我们以超图为基础构建框架。更具体地，每条超边连接一个用户-用户-物品三元组，表示两个用户在该物品上具有相似偏好。我们提出了一种社交超图卷积网络（简称 SHGCN）以从复杂的三元社会关系中学习。借助超图卷积网络，社会关系得以更细粒度地建模，从而更准确地刻画真实用户偏好，并提升推荐性能。在两个真实世界数据集上的大量实验证明了我们模型的有效性。关于数据稀疏性与超参数的研究进一步验证了模型的合理性。我们的代码与数据集可在 https://github.com/ziruizhu/SHGCN 获取。
引用
@article{arxiv.2111.03344,
title = {Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks},
author = {Zirui Zhu and Chen Gao and Xu Chen and Nian Li and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2111.03344},
year = {2021}
}