[论文解读] A Neural Influence Diffusion Model for Social Recommendation

Le Wu, Peijie Sun+4 more|arXiv (Cornell University)|Apr 20, 2019

Recommender Systems and Techniques参考文献 38被引用 30

一句话总结

本文提出 DiffNet，一种深度神经影响扩散模型，通过模拟社交网络中递归的社会影响传播，以改进社交推荐中的用户和物品嵌入学习。通过在全局网络中对可信用户进行分层影响扩散建模，DiffNet 在两个真实世界数据集上相对于最先进基线模型，NDCG@10 的相对提升超过 13%。

ABSTRACT

Precise user and item embedding learning is the key to building a successful recommender system. Traditionally, Collaborative Filtering(CF) provides a way to learn user and item embeddings from the user-item interaction history. However, the performance is limited due to the sparseness of user behavior data. With the emergence of online social networks, social recommender systems have been proposed to utilize each user's local neighbors' preferences to alleviate the data sparsity for better user embedding modeling. We argue that, for each user of a social platform, her potential embedding is influenced by her trusted users. As social influence recursively propagates and diffuses in the social network, each user's interests change in the recursive process. Nevertheless, the current social recommendation models simply developed static models by leveraging the local neighbors of each user without simulating the recursive diffusion in the global social network, leading to suboptimal recommendation performance. In this paper, we propose a deep influence propagation model to stimulate how users are influenced by the recursive social diffusion process for social recommendation. For each user, the diffusion process starts with an initial embedding that fuses the related features and a free user latent vector that captures the latent behavior preference. The key idea of our proposed model is that we design a layer-wise influence propagation structure to model how users' latent embeddings evolve as the social diffusion process continues. We further show that our proposed model is general and could be applied when the user~(item) attributes or the social network structure is not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model, with more than 13% performance improvements over the best baselines.

研究动机与目标

• 解决现有社交推荐模型依赖静态一阶邻居聚合、未建模递归影响传播的局限性。
• 通过在可信用户网络中模拟跨全局网络的动态、全局社会影响扩散，改善数据稀疏情况下的用户嵌入学习。
• 开发一种灵活的端到端深度学习框架，即使在用户或物品特征或社交网络结构不可用时也能有效运行。
• 通过可扩展且高效的神经架构，证明递归影响扩散在捕捉用户偏好演化方面的有效性。

提出的方法

• 提出一种分层影响传播机制，基于前一扩散层中可信邻居的嵌入，递归地更新用户嵌入。
• 使用用户特定特征与可学习潜在向量的融合初始化每个用户的嵌入，以表示内在偏好。
• 应用类似图卷积的操作，在社交网络中传播影响，其中每一层捕捉来自越来越远的可信用户的高阶影响。
• 设计模型以具备通用性且可端到端训练，支持用户或物品属性或社交网络结构不可用的场景。
• 采用受图神经网络启发的消息传递机制，高效聚合来自多个扩散层中邻居的影响。
• 使用协同过滤目标进行模型训练，通过学习到的嵌入的内积来优化预测的用户-物品交互。

实验结果

研究问题

• RQ1 在数据稀疏的社交推荐场景中，对可信用户多层递归社会影响扩散的建模是否能提升用户嵌入质量？
• RQ2 与仅使用一阶邻居或静态社交正则化的传统模型相比，深度影响扩散模型的性能如何？
• RQ3 当用户或物品特征或社交网络结构不可用时，所提模型的泛化能力有多大？
• RQ4 分层影响传播机制是否能通过在真实社交网络中递归传播，有效捕捉用户兴趣的演化？

主要发现

• DiffNet 在两个真实世界数据集上相对于最佳基线模型，NDCG@10 的相对提升超过 13%，在 Flickr 数据集上提升达 15%。
• 该模型通过捕捉一阶邻居模型无法利用的高阶社交影响模式，展现出卓越的性能。
• 影响扩散机制通过递归传播有效建模了用户偏好的演化，从而生成更准确、更具动态性的用户嵌入。
• DiffNet 计算效率高且可扩展，在无需用户或物品属性或完整社交网络结构的情况下仍能保持强劲性能。
• 消融实验确认，递归分层传播机制至关重要，若将其移除将导致性能显著下降。
• 该模型在不同数据设置下泛化能力良好，即使在缺少特征或网络结构的情况下也表现出鲁棒性。