Graph Neural Networks for Social Recommendation
Abstract
基于GNN建立社交推荐系统有很多的挑战，因此作者提出了GraphRec框架。作者提供了一种有原则的方法来联合捕获用户-项目图中的交互和意见，并提出了框架GraphRec，该框架连贯地对两个图和异构优势进行建模。
Introduction
作者提出三个问题：
- 如何整合user-user graph和user-item graph
- 如何捕捉用户与item之间的联系以及用户对item 的意见
- 如何区别社交关系的重要性
作者的主要贡献就是解决了上述三个问题，并产生了不错的效果。
An Overview of the Proposed Framework
总体架构如下所示：
整个框架包含三个部分：
- user modeling包含两个部分
- item aggregation：利用用户与item的联系生成一个embedding
- Social aggregation：利用用户与用户之间的关系生成一个embedding
- item modeling利用用户对物品的关系与意见产生一个embedding
- rating prediction部分利用上述两部分的向量，对用户对某个item的打分进行预估。
User modeling
Item Aggregation
x i a x_{ia} xia由下图可得：
q a q_a qa为item 的embedding， e r e_r er为opinion的embedding， g v g_v gv为MLP
A g g r e i t e m s Aggre_{items} Aggreitems可以使用如下表示：
a i a a_{ia} aia采用注意力网络进行学习用户对item的不同的权重。
Social Aggregation
同理，social aggregation如下：
Learning User Latent Factor
user modeling的最后将两个图产生的 h i I h_i^I hiI与 h i S h_i^S hiS连接送入MLP
Item modeling
与之前的item aggregation一样
Rating Prediction
同理，将user modeling和item modeling的输出结合，喂进MLP：
Model Training
损失函数为：
where ∣ O ∣ |O| ∣O∣ is the number of observed ratings , and r i j r_{ij} rij is the ground truth rating assigned by the user i on the item j.
Optimizer: RMSprop
Overfitting problem: Dropout
###Experiment
与一些baseline比较所得结果：
后续有分别对社交网络与用户意见的影响做了分析：
对注意力机制的探索：
也对embedding的大小做了比较：
Future work
- 探索用户和项目之间的更丰富、复杂的属性
- 考虑评分和社交关系的动态性