[论文解读] Modelling High-Order Social Relations for Item Recommendation

Yang Liu, Liang Chen+4 more|arXiv (Cornell University)|Mar 23, 2020

Recommender Systems and Techniques参考文献 40被引用 13

一句话总结

本文提出高阶社交推荐模型（HOSR），一种基于图神经网络的模型，通过在社交网络中递归传播用户嵌入，显式建模高阶社交关系（如朋友的朋友），以提升物品推荐性能。HOSR 在 Yelp 和 Douban 数据集上优于 SOTA 方法（如 NSCR、IF-BPR+ 和 DeepInf），通过注意力增强的多阶邻居聚合，有效捕捉了间接社交影响。

ABSTRACT

The prevalence of online social network makes it compulsory to study how social relations affect user choice. However, most existing methods leverage only first-order social relations, that is, the direct neighbors that are connected to the target user. The high-order social relations, e.g., the friends of friends, which very informative to reveal user preference, have been largely ignored. In this work, we focus on modeling the indirect influence from the high-order neighbors in social networks to improve the performance of item recommendation. Distinct from mainstream social recommenders that regularize the model learning with social relations, we instead propose to directly factor social relations in the predictive model, aiming at learning better user embeddings to improve recommendation. To address the challenge that high-order neighbors increase dramatically with the order size, we propose to recursively "propagate" embeddings along the social network, effectively injecting the influence of high-order neighbors into user representation. We conduct experiments on two real datasets of Yelp and Douban to verify our High-Order Social Recommender (HOSR) model. Empirical results show that our HOSR significantly outperforms recent graph regularization-based recommenders NSCR and IF-BPR+, and graph convolutional network-based social influence prediction model DeepInf, achieving new state-of-the-arts of the task.

研究动机与目标

• 解决现有社交推荐模型仅建模一阶社交关系（直接好友）的局限性，避免忽略来自朋友的朋友的间接影响。
• 显式地将高阶社交影响注入用户表征学习过程，而非依赖隐式正则化。
• 克服现实社交网络中高阶邻居集合指数级增长带来的计算挑战。
• 通过递归嵌入传播和注意力机制，捕捉口碑传播效应，从而提升推荐性能。

提出的方法

• HOSR 使用图卷积网络（GCN）沿社交网络路径递归传播用户嵌入，捕捉来自高阶邻居的影响。
• 采用注意力机制，为不同阶邻居（如第1、2、3阶）学习个性化权重，使模型能够聚焦于最具信息量的社交路径。
• 通过聚合多个 GCN 层的输出，整合多阶邻居表征，每一层捕捉不同阶的社交影响。
• 应用两种 Dropout 策略：一种在输入层，防止稀疏社交连接导致的过拟合；另一种在输出层，正则化最终的用户嵌入。
• 通过消息传递机制更新用户嵌入，聚合来自多跳邻居的信息，有效建模间接社交影响。
• 最终通过在协同过滤框架中结合增强后的用户嵌入与物品嵌入，完成预测。

实验结果

研究问题

• RQ1 与一阶模型相比，建模高阶社交关系（如朋友的朋友）是否能显著提升物品推荐性能？
• RQ2 如何在不带来高昂计算成本的前提下，高效且有效地将高阶社交影响融入用户表征学习？
• RQ3 在预测模型中显式建模社交影响，是否优于使用社交约束作为辅助损失项的正则化方法？
• RQ4 不同阶的社交邻居对用户偏好预测有何贡献？注意力机制能否动态加权其重要性？
• RQ5 在社交网络跳数间递归传播嵌入，能否捕捉到现实社交网络中观察到的‘口碑传播’效应？

主要发现

• HOSR 在 Yelp 和 Douban 数据集上均达到 SOTA 性能，优于基于图正则化的模型（如 NSCR 和 IF-BPR+）。
• 通过捕捉一阶模型所忽略的高阶邻居带来的间接社交影响，显著提升了推荐准确率。
• 采用注意力机制的多阶聚合策略使模型能够动态加权不同邻居阶次的贡献，提升鲁棒性。
• 实验表明，HOSR 在社交连接稀疏的用户上表现尤为突出，此时高阶影响提供了关键信号。
• 消融实验确认，递归嵌入传播和基于注意力的聚合均为关键组件，二者均对性能提升有显著贡献。