[论文解读] Attentive Social Recommendation: Towards User And Item Diversities

Dongsheng Luo, Yuchen Bian+2 more|arXiv (Cornell University)|Nov 9, 2020

Recommender Systems and Techniques参考文献 30被引用 5

一句话总结

本文提出Attentive Social Recommendation (ASR)，一种图神经网络模型，通过新颖的Rec-conv层结合注意力机制，联合建模用户和物品的多样性，融合社交、用户评分和物品被评因素。该模型进一步采用解耦策略，分别处理'喜欢'与'不喜欢'评分，实现了比现有方法更快训练速度的最先进性能。

ABSTRACT

Social recommendation system is to predict unobserved user-item rating values by taking advantage of user-user social relation and user-item ratings. However, user/item diversities in social recommendations are not well utilized in the literature. Especially, inter-factor (social and rating factors) relations and distinct rating values need taking into more consideration. In this paper, we propose an attentive social recommendation system (ASR) to address this issue from two aspects. First, in ASR, Rec-conv graph network layers are proposed to extract the social factor, user-rating and item-rated factors and then automatically assign contribution weights to aggregate these factors into the user/item embedding vectors. Second, a disentangling strategy is applied for diverse rating values. Extensive experiments on benchmarks demonstrate the effectiveness and advantages of our ASR.

研究动机与目标

• 解决社交推荐系统中用户和物品多样性建模的不足。
• 通过动态加权社交、用户评分和物品被评因素的贡献，提升推荐准确性。
• 在评分图中对'喜欢'和'不喜欢'评分的传播模式进行建模。
• 通过注意力特征融合和解耦表示，减轻深层GNN中的过平滑问题。
• 在不牺牲性能的前提下实现高效率，尤其在深层架构中表现优异。

提出的方法

• 提出Rec-conv层，对用户-用户图和用户-物品图分别应用GNN（GCN或GAT）以提取社交、用户评分和物品被评因素。
• 引入用户和物品注意力机制，在嵌入聚合过程中自动分配三个因素的动态权重。
• 采用解耦策略，将评分图按评分值（如1至5）拆分为子图，实现对每个评分等级的独立GNN处理。
• 堆叠多层Rec-conv层以捕捉分层表示，同时通过注意力机制和解耦策略减轻过平滑问题。
• 使用标准损失函数（MAE、RMSE）在真实世界数据集上进行端到端训练。
• 支持社交图和评分图中GCN与GAT变体，并对模型组件进行消融研究。

实验结果

研究问题

• RQ1 如何动态加权社交、用户评分和物品被评因素之间的相互贡献，以改善用户和物品的表征学习？
• RQ2 将'喜欢'与'不喜欢'评分解耦在多大程度上能提升推荐性能？
• RQ3 所提出的ASR模型能否有效缓解深层GNN架构中的过平滑问题？
• RQ4 注意力机制和解耦策略对模型性能的独立贡献是什么？
• RQ5 与最先进基于深度学习的社交推荐模型相比，ASR的计算效率如何？

主要发现

• ASR在Ciao和Epinions数据集上均取得最佳性能，Ciao数据集上MAE为0.717，RMSE为0.962，优于所有基线模型。
• 消融研究证实，评分图中的解耦策略是最关键的组件，移除后性能显著下降（Ciao数据集上MAE升至0.789）。
• ASR具有极高效率，训练速度比DANSER和GraphRec快5–10倍，Ciao和Epinions数据集上每轮训练时间分别为15.53秒和28.90秒。
• 该模型有效缓解了过平滑问题：在堆叠多层时，ASR保持了比GCN和DisGCN等变体更高的嵌入对间距离。
• 在社交图中将GCN替换为GAT（ASR-w/-GS-GAT）后，性能与原始ASR相当，表明模型对GNN选择具有鲁棒性。
• 注意力机制和解耦策略均不可或缺，移除任一组件均导致性能显著下降，证实二者均为必要组件。