论文阅读—Enhancing session-based social recommendation through item graph embedding……

《Enhancing session-based social recommendation through item graph embedding and contextual friendship modeling》

《通过项目图形嵌入和上下文友谊建模增强基于会话的社会推荐》

摘要

推荐系统旨在帮助用户在网络平台上从大量的候选人中找到匹配的物品。在许多在线平台，如Yelp和Epinions，用户的行为会随着时间的推移不断被记录下来，用户也可以与他人建立联系，分享自己的兴趣。以往的推荐方法要么模拟动态的兴趣，要么模拟动态的社会影响。一些研究集中在这两个因素的建模上，

但它们仍然有一些局限性:

1)他们不考虑复杂的物品转换在所有会话序列,它可以用来作为一个当地的因素来提高性能的推荐方法,

2)他们忽视用户和他们的朋友在某些会话中仅共享相同的会话，这是通过在时间t保持所有目标用户的朋友向量不变,

3)他们没有考虑到用户的长期偏好可能变化与利益的进化。

为了克服上述问题，本文提出了一种将项目图嵌入和上下文友谊建模结合到推荐任务中的方法。具体地说,1)我们构建直接项目图基于所有历史会话序列和利用图神经网络捕获丰富的局部项目之间的依赖关系,和2)一个会话级的注意机制根据目标用户的当前兴趣获得每个朋友表示,和3)应用max-pooling到目标用户的历史会话兴趣上，学习他/她的动态长期偏好。在两个真实世界的数据集上的大量实验表明，我们提出的模型在各种评估指标上一致地优于最先进的方法

引言

随着在线服务的出现和普及，推荐系统已经成为帮助用户从电子商务、流媒体网站、搜索引擎等平台上积累的大量候选人中找到匹配项目的基础。大多数传统的方法，包括基于内容和协作过滤方法[12,15,16]，都是通过建模静态的用户-项目交互来捕获用户的一般偏好。在实践中，大多数网络平台上的用户简介和活动都是不断被记录下来的，其顺序行为反映了用户偏好随时间的演变。因此，近年来，序列感知推荐系统受到了越来越多的关注，如基于会话的推荐。在这里，会话是在给定时间内发生的一组交互。许多电子商务推荐系统和大多数新闻和媒体网站通常不会跟踪用户数量，在某些领域，用户经常显示时变的偏好和基于会话的特征[31]。因此，同一个用户的后续会话应该被独立处理。此外，许多在线服务，如Yelp和depinions，使用户可以与其他人建立联系，并分享他们的兴趣和经验。为了解决数据稀疏问题并进一步提高推荐性能，人们提出了许多社会意识的方法来考虑社会影响[19,13,27]。虽然上述方法取得了令人满意的结果，但它们既模拟了用户的动态兴趣，也模拟了社会影响。然而，用户的动态兴趣和社会影响可以是互补的，联合建模可以提高推荐系统的性能。最近，[31]提出了一种方法来对用户基于会话的兴趣以及动态的社会影响进行建模。他们将基于问题评估的社交推荐命名为:给定用户当前的行为会话、过去的行为会话和社会关系，预测他/她在会话中接下来将与之互动的物品(如购买、访问)。虽然取得了有希望的结果，这项研究仍然有一些局限性。首先，它没有考虑到所有会话序列之间复杂的项转换，这可以作为一个局部因素来提高基于会话的推荐方法的性能[34,36]。第二，虽然考虑了好友级的动态社交影响，但在面对不同的目标用户时，好友向量保持不变。然而，目标用户和他们的朋友只在特定的会话中有相同的偏好。

如图所示。1、用户C是用户a和用户B的朋友，但共同会话的偏好并不完全相同。用户A和用户c共享食物和运动;用户B和用户C共享体育和音乐。在会话中，用户A最关注用户C的会话t-2，而用户B最关注用户C的会话t-1。因此，更合理的做法是表示朋友到动态性与目标用户当前兴趣相对应的。第三，它为每个用户学习一个静态的长期偏好表示，但我们认为用户的长期偏好可能会随着兴趣的进化而改变，例如，一个用户可能对他从未参加过的新运动感兴趣。除了短期的兴趣和动态的社会影响之外，它还有助于提高推荐

为了克服上述局限性，本文提出了一种通过项目图嵌入和上下文友谊建模来解决基于会话的社会推荐问题的方法。首先，我们基于所有时间之前的历史会话序列构造一个有向项图，并利用[9]捕获项的复杂转换，以学习所有节点(项)的潜在向量。这一层将项目id映射为稠密的潜在向量。这也可以在一定程度上缓解推荐系统的冷启动问题。其次，我们利用LSTM (Long - Short Term Memory network，简称[11])对用户当前会话的短期兴趣进行建模，并以LSTM的最后一个隐藏状态作为会话兴趣的表示。然后对他/她的近期历史会话利益进行max-pooling操作，以代表长期利益，从而捕捉他/她的长期偏好动态。第三，为了更好地从社交层面刻画用户的偏好，我们首先采用会话级的关注机制，根据目标用户当前的兴趣得到每个朋友的表征，然后使用GraphSAGE聚集信息丰富的朋友，捕捉动态的社会影响。也就是说，我们计算目标用户当前兴趣和每个朋友的最近K个会话兴趣之间的相似度，并将每个朋友表示为具有相似度的kinterests的加权和。会话级的关注机制由目标用户的当前兴趣和每个朋友的历史兴趣控制，使动态朋友的表示对应于目标用户和每个朋友之间的共同兴趣。然后，我们使用GraphSAGE自动选择信息丰富的朋友。最后，我们将基于会话的短期利益、长期利益和动态社会影响通过一个完全连接的层进行用户偏好建模。总的来说，这项工作的主要贡献如下:我们通过构建一个基于所有历史会话序列的条目图来捕获条目之间丰富的转换。我们引入了会话级关注机制，在每个步骤中根据不同的目标用户当前的兴趣获取朋友的不同表示。我们基于用户的短期兴趣、长期兴趣和动态的社会影响共同建模，来推断用户的偏好。我们在豆瓣电影和Delicious两个真实数据集上进行了大量的性能评估实验。实验结果证明了该模型的有效性和优越性。

本文的其余部分组织如下。2、我们讨论相关的工作。在第3节中，我们将详细介绍所提出的模型。在第4节中，我们介绍了实验设置和实验结果的分析。第五部分是本文的总结。

模型介绍

在本节中，我们将首先介绍本文中使用的定义和注释，然后概述所提议的框架，即通过itemGraph嵌入和上下文友谊建模(EGFRec)增强基于会话的社会推荐。然后对模型的各个组成部分进行了详细的描述，最后进行了模型优化。

在网络平台中，用户的行为被不断地记录下来，用户的偏好也在迅速地演变。捕获用户时变兴趣的常见方法是将用户的行为分割成连续的会话，并在会话级别[10]上推荐。在此，我们给出了一个基于会议的社会推荐问题如下。

推荐的方法如图2所示。提出的EGFRec模型包含四个关键组件。第一部分是基于图卷积网络的项目嵌入，学习项目的潜在因素。其次，我们利用递归神经网络(RNN)对目标用户当前会话中所消费的物品序列进行建模，该模型能够捕捉用户的动态兴趣，并随时间变化。同时，我们认为每个用户的长期偏好会随着时间的推移而不断变化，但相对于短期利益来说是相对稳定的。我们使用最大池层来聚合最近的会话向量来模拟用户的长期利益。再次，利用关注网络对好友的兴趣进行建模，关注网络依赖于匹配目标用户的当前会话和好友的历史行为。第四，将用户当前会话和好友的表现形式输入到用户-用户社交网络中，了解其社会影响。在最后一步，该模型通过连接用户的短期、长期偏好和社会影响来生成推荐。

项目嵌入项目图为了考虑到遥远项目之间的复杂转换，我们从所有会话中构造一个项目图。给定一个会我们将每个item视为一个图节点，（vi;vj）作为一个传入的边，这意味着用户点击itemvj在点击 itemvi之后。节点可能反复出现，这意味着vj更有可能跟随vi。因此，我们将vj的每个vi与出现的频率分配。为了捕获从一项到另一项的直接转换，我们在生成节点特性时仅利用每个节点的节点内邻居。在这种情况下，训练过程相当于无向图。因此，我们使用GraphSAGE[9]来获得准确的项目嵌入，利用批量训练算法来节省内存。

然后，我们介绍了如何通过GraphSAGE在我们的模型中训练项目潜在向量。首先将每个item嵌入到统一的低维潜在空间中，节点向量xj表示itemvj的维潜在向量。然后，我们将项目潜在向量输入GraphSAGE[9]，它通过从节点的内节点邻居中采样和聚合特征来更新项目嵌入。抽样策略定义了B(j)是节点vj的邻居，并按出现频率递减排序。对于vj在图中的聚合更新函数如下所示：

聚合器架构AGGREGATEk采用max-pooling方法，定义如下

在这个池方法中，max表示一个元素级的最大化操作，它有效地捕获了第八个属性的不同方面。由于采用了抽样和聚集方案，GraphSAGE不进行全批训练，更适合于大型图。此外，GraphSAGE可以有效地自然地生成不可见节点的表示。

基于RNN的用户兴趣表示将会话序列送入图卷积网络，得到项目的潜在向量。然后，采用一种新的神经网络（RNN）对目标会话进行建模用户.RNN是建模的标准方法序列。到捕获用户的短期兴趣，LSTM用于为目标用户ui建模当前会话。用户ui的短期表示是的嵌入向量z，其定义如下：

其中q是从GraphShage得到的项目的潜在矩阵，Q（:,si）表示出现在i中的所有项目潜在向量。当用户不小心点击了错误的项目时，仅仅依靠用户当前的连续行为是不可靠的。因此，我们考虑用户的短期偏好和长期偏好。用户的历史会话之间的间隔可能很大，因此其中的顺序模式可能是忽略了。我们忽略历史会话中的时间属性，并采用一种将用户ui最近的历史会话转换为固定大小的潜在表示形式的池化操作：

常见的池操作包括最大池和平均池。在实践中，我们发现最大池和平均池没有显著的区别，因此我们在下面的实验中重点讨论了最大池。

基于注意的朋友兴趣表征在网络社交社区中，用户的兴趣具有时变性和多样性，目标用户和他们的朋友在某些会话中只有相同的偏好。现有的方法假设不同的目标用户的最近兴趣向量相同[38,29,31]，这与实际情况不符。具体来说，DGRec[31]使用最新的会话来表示朋友的偏好。在这里，我们提出了一种不同的方法来根据目标用户有效地生成朋友向量。对于不同的听众，我们将重点放在朋友的历史会话中。这个模块的输入是一个用户-朋友对，输出是向量f(i,l)，它表示ui和u(i,l)之间的关系。用户的朋友向量f(i,l)是通过神经注意机制生成的。注意机制已经成功地应用于许多领域，如计算机视觉、机器翻译和社会推荐[31]。在这里，会话级注意力的目标是分配对好友历史会话的权重是不均匀的，当好友与不同的目标用户交互时，权重是不同的。对于目标用户的当前会话ti，是他/她的朋友最近的会话是

社交聚合

在社交平台上，用户的偏好通常与他/她直接联系的朋友相似。社交聚合的目的是将朋友的兴趣结合起来，进一步模拟用户的潜在因素。首先，我们将友谊网络编码为一个图，其中节点表示用户，边表示友谊。对于目标用户，节点通过表示短期兴趣来初始化。同时，邻居节点采用基于注意层的朋友兴趣表示。其次，我们使用消息传递算法graphsage，从社交图中聚集相邻用户的潜在因素。用户ui的社会空间潜在因素是聚集用户ui的邻居。

其中我是目标用户界面，我是用户界面的第四个朋友。我们假设用户的偏好只受他们直接联系的朋友的影响，那么kis设置为1。聚合最大池操作

我们也尝试了上下文感知图神经网络的注意机制，如[31]，但它没有显示增加表演。因为在第3.2.3节中，我们通过注意机制对朋友表示进行建模。通过参数化，我们可以将注意力集中在与目标用户相比，朋友兴趣中更相关的部分。此外，参数可以模拟用户和他/她的朋友之间的联系强度。通常情况下，用户更喜欢分享更相似的口味与强关系，而不是弱关系。因此，注意力-图神经网络在这里是无效的。

通过对目标用户的短期嵌入、长期嵌入和社会影响的嵌入，利用完全连通层将它们结合起来，得到最终的用户表示。

然后，我们计算每个候选项的得分vjb乘以其嵌入qj，然后应用softmax函数获得输出

实验

豆瓣电影。它是一个在线社交网络，允许互联网用户分享他们对手机的评论和观点。这个数据集包含了友谊网络和丰富的用户评论行为。我们的任务是预测用户下次看电影的行为好吃。

真好吃。这是一个社会书签网站，用户可以保存，管理和共享网页书签。用户还可以为网站分配各种语义标签，并根据社交网络中的用户共享的内容发现新的链接。数据集包含分配给书签URL的标记和用户之间的联系人关系。任务是为书签推荐标签。