[论文解读] SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation

Le Wu, Peijie Sun+4 more|arXiv (Cornell University)|Nov 7, 2018

Recommender Systems and Techniques参考文献 23被引用 85

一句话总结

SocialGCN 模型通过图卷积网络实现社交扩散以提升社交推荐，将扩散式用户嵌入与项嵌入以及可选属性信息相结合。

ABSTRACT

Collaborative Filtering (CF) is one of the most successful approaches for recommender systems. With the emergence of online social networks, social recommendation has become a popular research direction. Most of these social recommendation models utilized each user's local neighbors' preferences to alleviate the data sparsity issue in CF. However, they only considered the local neighbors of each user and neglected the process that users' preferences are influenced as information diffuses in the social network. Recently, Graph Convolutional Networks~(GCN) have shown promising results by modeling the information diffusion process in graphs that leverage both graph structure and node feature information. To this end, in this paper, we propose an effective graph convolutional neural network based model for social recommendation. Based on a classical CF model, the key idea of our proposed model is that we borrow the strengths of GCNs to capture how users' preferences are influenced by the social diffusion process in social networks. The diffusion of users' preferences is built on a layer-wise diffusion manner, with the initial user embedding as a function of the current user's features and a free base user latent vector that is not contained in the user feature. Similarly, each item's latent vector is also a combination of the item's free latent vector, as well as its feature representation. Furthermore, we show that our proposed model is flexible when user and item features are not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model.

研究动机与目标

• 通过利用社交网络进行推荐来缓解协同过滤中的数据稀疏性。
• 使用分层GCN框架建模用户偏好如何在社交连接中扩散。
• 将项和用户属性整合到潜在嵌入中，使用自由基潜向量。
• 提供一个灵活的框架，即使在没有用户/项属性时也能工作。
• 在真实的Yelp和Flickr数据集上进行实证改进。

提出的方法

• 用分层扩散嵌入表示用户，其中 h_a^0 将用户特征 x_a 与一个自由基向量 p_a 组合。
• 用其特征 y_i 和一个自由基潜在向量 q_i 的组合通过神经变换表示项（v_i = F [q_i, y_i]）。
• 通过 K 层 GCN 对用户扩散建模：h_a^{k+1} = ReLU(W^k [ aggregate({h_b^k | b in S_a}), h_a^k ]) 其中 S_a 是社交邻居。
• 计算最终用户嵌入 u_a = h_a^K + 对用户互动过的项的 v_i 的平均（R_a）(类似 SVD++)。
• 使用观察与未观察交互的成对贝叶斯排序损失进行优化，并加上正则化（Adam 优化）。
• 模型支持有属性和无属性的场景；在缺失时，简化为用户/项的自由嵌入。

实验结果

研究问题

• RQ1 SocialGCN 是否在真实数据集（Yelp、Flickr）上超越最先进的社交推荐基线？
• RQ2 社交扩散深度、基于特征的嵌入和自由基潜向量对性能的贡献是什么？
• RQ3 当用户/项属性不可用时，模型是否鲁棒？
• RQ4 在隐式反馈设置下，SocialGCN 相比基线如 BPR、TrustSVD、ContextMF 和 PinSage 的表现如何？

主要发现

• SocialGCN 在 Yelp 和 Flickr 上在 HR@10 与 NDCG@10 指标上始终优于基线。
• 将扩散深度增加到超过 2 时收益递减或无显著提升，K=2 常常能得到强结果。
• 在可用属性与自由基潜向量协同下，性能显著提升。
• 在属性稀缺设置下模型仍然有效，展示了灵活性和泛化能力。
• 在 Yelp 和 Flickr 上，SocialGCN 相对于具有竞争力的基线实现了明显改进（如在所报告设置下优于 PinSage、TrustSVD 和 ContextMF）。