建模高阶社会关系用于物品推荐
信息检索
2020-03-24 v1 社会与信息网络
摘要
在线社交网络的普及使得研究社会关系如何影响用户选择成为必要。然而，大多数现有方法仅利用一阶社会关系，即与目标用户相连的直接邻居。高阶社会关系，例如朋友的朋友，对揭示用户偏好极具信息量，却在很大程度上被忽视。在本工作中，我们聚焦于建模社交网络中来自高阶邻居的间接影响，以提升物品推荐的性能。不同于以社会关系正则化模型学习的主流社交推荐器，我们提出直接在预测模型中分解社会关系，旨在学习更好的用户嵌入以改进推荐。为应对高阶邻居随阶数急剧增加的挑战，我们提出沿社交网络递归地“传播”嵌入，将高阶邻居的影响有效注入用户表示。我们在Yelp和豆瓣两个真实数据集上实验验证所提出的高阶社交推荐器（HOSR）模型。实证结果表明，我们的HOSR显著优于近期的基于图正则化的推荐器NSCR和IF-BPR+，以及基于图卷积网络的社交影响预测模型DeepInf，取得了该任务的新最先进水平。
引用
@article{arxiv.2003.10149,
title = {Modelling High-Order Social Relations for Item Recommendation},
author = {Yang Liu and Liang Chen and Xiangnan He and Jiaying Peng and Zibin Zheng and Jie Tang},
journal= {arXiv preprint arXiv:2003.10149},
year = {2020}
}
备注
11 pages, 8 figurs, 4 tables