[论文解读] Graph Neural Networks for Social Recommendation

Wenqi Fan, Yao Ma+5 more|arXiv (Cornell University)|Feb 19, 2019

Advanced Graph Neural Networks参考文献 42被引用 60

一句话总结

GraphRec 是一个用于社交推荐的图神经网络框架，它在联合建模用户-物品交互图和用户-用户社交图的同时，具备意见感知的交互和注意力机制，在 Ciao 和 Epinions 数据集上显著优于基线方法。

ABSTRACT

In recent years, Graph Neural Networks (GNNs), which can naturally integrate node information and topological structure, have been demonstrated to be powerful in learning on graph data. These advantages of GNNs provide great potential to advance social recommendation since data in social recommender systems can be represented as user-user social graph and user-item graph; and learning latent factors of users and items is the key. However, building social recommender systems based on GNNs faces challenges. For example, the user-item graph encodes both interactions and their associated opinions; social relations have heterogeneous strengths; users involve in two graphs (e.g., the user-user social graph and the user-item graph). To address the three aforementioned challenges simultaneously, in this paper, we present a novel graph neural network framework (GraphRec) for social recommendations. In particular, we provide a principled approach to jointly capture interactions and opinions in the user-item graph and propose the framework GraphRec, which coherently models two graphs and heterogeneous strengths. Extensive experiments on two real-world datasets demonstrate the effectiveness of the proposed framework GraphRec. Our code is available at \url{https://github.com/wenqifan03/GraphRec-WWW19}

研究动机与目标

• 激励利用社交关系来提升推荐系统。
• 开发一个统一的GNN框架，将用户-物品交互与社交连接整合在一起。
• 在用户-物品图中同时捕捉交互和观点，并考虑异质的社交关系强度。
• 在真实数据集上展示 GraphRec 的有效性，并与强基线方法进行比较。

提出的方法

• 提出 GraphRec，其包含三个组成部分：用户建模、物品建模和评分预测。
• 使用两种聚合形式：来自用户-物品图的物品聚合和来自社交图的社交聚合，以学习用户潜在因子。
• 通过以 MLP 将物品嵌入与观点嵌入融合，引入意见感知的交互表示。
• 实现注意力机制，对交互（alpha）和社交关系（beta）进行加权，以实现个性化聚合。
• 通过带有注意力的意见感知交互的用户聚合来学习物品潜在因子，并通过一个将拼接后的用户和物品因子输入的 MLP 来预测评分。
• 使用 RMSprop 对平方损失进行优化，同时联合学习用户、物品和观点的嵌入。

实验结果

研究问题

• RQ1 如何在一个统一的 GNN 框架中对两张异构图（用户-物品和用户-用户）进行有序、连贯的建模以用于社交推荐？
• RQ2 是否可以将用户-物品交互中的观点信息纳入，以改进用户/物品表示和评分预测？
• RQ3 对交互和社交关系的注意力机制是否能提升学习到的表示质量？
• RQ4 在真实数据集上，与传统方法和基于神经网络的社交推荐系统相比，GraphRec 的经验表现如何？

主要发现

• GraphRec 在 Ciao 和 Epinions 上的 RMSE 和 MAE 指标上一致优于基线方法。
• 将社交网络信息纳入可提升推荐性能，相较仅依赖评分数据的模型。
• 在用户-物品交互中加入观点信息可带来额外的预测提升。
• 对物品级交互和社交关系的注意力机制有助于性能提升。
• 去除任一社交信息或观点信息的消融变体显示出性能下降，突显它们的重要性。