学习迁移图嵌入用于归纳式图推荐

随着视频的日益普及，如何编辑视频并向用户呈现最有趣的部分，即视频高光，已成为一个迫切需求，并有着广泛的应用。由于用户的视觉偏好是主观的且因人而异，以往的通用视频高光提取模型无法满足用户独特的偏好。在本文中，我们研究了具有丰富视觉内容的个性化视频高光推荐问题。通过将每个视频分割为不重叠的片段，我们将该问题形式化为一个在测试阶段包含许多新片段的个性化片段推荐任务。该问题的关键挑战在于：训练数据中视频高光记录有限的冷启动用户，以及测试阶段没有任何用户评分的新片段。在本文中，我们提出了一个用于个性化视频高光推荐的归纳式图迁移学习框架（TransGRec）。TransGRec 由两部分组成：一个图神经网络以及随后的一个物品嵌入迁移网络。具体而言，图神经网络部分利用用户与片段之间的高阶邻近性来缓解用户冷启动问题。迁移网络旨在通过将每个物品的视觉内容作为输入来逼近从图神经网络学到的物品嵌入，以解决测试阶段的新片段问题。我们设计了迁移学习优化函数的两种具体实现，并展示了 TransGRec 的两个部分如何通过不同的迁移学习优化函数进行高效优化。在真实世界数据集上的大量实验结果清楚地表明了我们所提模型的有效性。