[论文解读] Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks

Zirui Zhu, Chen Gao+4 more|arXiv (Cornell University)|Nov 5, 2021

Recommender Systems and Techniques参考文献 47被引用 9

一句话总结

该论文提出SHGCN，一种新颖的社交推荐模型，通过超图卷积网络对异质社交影响进行建模，将用户-物品-用户三元组表示为超边，以捕捉细粒度、物品特定的社交偏好。该方法显著提升了推荐性能，并缓解了数据稀疏性问题，在两个真实世界数据集上优于现有模型。

ABSTRACT

Incorporating social relations into the recommendation system, i.e. social recommendation, has been widely studied in academic and industrial communities. While many promising results have been achieved, existing methods mostly assume that the social relations can be homogeneously applied to all the items, which is not practical for users' actually diverse preferences. In this paper, we argue that the effect of the social relations should be inhomogeneous, that is, two socially-related users may only share the same preference on some specific items, while for the other products, their preferences can be inconsistent or even contradictory. Inspired by this idea, we build a novel social recommendation model, where the traditional pair-wise "user-user'' relation is extended to the triple relation of "user-item-user''. To well handle such high-order relations, we base our framework on the hypergraph. More specifically, each hyperedge connects a user-user-item triplet, representing that the two users share similar preferences on the item. We develop a Social HyperGraph Convolutional Network (short for SHGCN) to learn from the complex triplet social relations. With the hypergraph convolutional networks, the social relations can be modeled in a more fine-grained manner, which more accurately depicts real users' preferences, and benefits the recommendation performance. Extensive experiments on two real-world datasets demonstrate our model's effectiveness. Studies on data sparsity and hyper-parameter studies further validate our model's rationality. Our codes and dataset are available at https://github.com/ziruizhu/SHGCN.

研究动机与目标

• 为解决现有社交推荐模型假设所有物品上社交影响均同质化的问题。
• 对细粒度、物品特定的社交影响进行建模，其中朋友可能仅在某些物品上共享偏好。
• 开发一种框架，以比成对用户-用户关系更有效地捕捉三元社交关系（用户-物品-用户）。
• 通过超图表示利用复杂、高阶社交交互，提升推荐性能。
• 验证模型在数据稀疏性及超参数设置下的鲁棒性。

提出的方法

• 该方法构建一个超图，其中每个超边连接一对用户和一个物品，表示这两个用户在该物品上具有相似偏好。
• 每个超边编码一个三元组社交关系，捕捉特定于单个物品的异质影响。
• 设计了一种社交超图卷积网络（SHGCN），用于在超图结构上执行消息传递和嵌入聚合。
• 该模型使用可学习的注意力机制，对消息传递过程中不同超边的贡献进行加权。
• 通过超边执行嵌入传播，基于其社交和交互上下文更新用户和物品的表示。
• 最终的用户和物品嵌入通过点积评分用于下游推荐任务。

实验结果

研究问题

• RQ1 通过用户-物品-用户三元组对异质社交影响进行建模，是否能提升推荐性能，相比同质社交模型？
• RQ2 基于超图的框架在推荐中是否能有效表示复杂、高阶的社交关系？
• RQ3 所提出的SHGCN模型是否能减轻社交推荐中的数据稀疏性影响？
• RQ4 模型性能对超参数设置的敏感度如何？
• RQ5 该模型能否在涉及群体互动或共享行为（如团购）的真实世界场景中实现良好泛化？

主要发现

• SHGCN在两个真实世界数据集上实现了最先进性能，推荐准确率优于现有社交推荐模型。
• 该模型显著缓解了数据稀疏性问题，在交互数据有限的情况下仍表现出强鲁棒性。
• 消融实验表明，建模三元组关系（用户-物品-用户）对性能的贡献大于仅依赖成对用户-用户关系。
• 超参数研究显示，SHGCN对超参数设置不敏感，表明其具有良好的泛化能力。
• 该模型能有效捕捉细粒度社交影响，即社交关系仅在特定物品上影响偏好，而非普遍影响所有物品。