IJCAI 2022 | 求同存异:多行为推荐的自监督图神经网络
©作者 | 顾舒贇
单位|北邮GAMMA Lab
来源 | 北邮GAMMA Lab
论文标题:
Self-supervised Graph Neural Networks for Multi-behavior Recommendation
收录会议:
IJCAI 2022
个性化推荐系统在现在的网络平台(或应用)中已经得到了广泛的应用,已解决它们面对的信息过载的问题。大多数推荐模型都是基于单一行为(称为单一行为推荐模型)设计的,即用户和项目之间的一种关联。
例如,如下图 a 所示,在构建推荐模型时只使用购买行为。然而,在真实场景中,用户行为通常不止一种。例如,如下图 b 所示,除了购买行为外,单击并添加到购物车也可以在一定程度上反映用户的偏好。我们通常将购买行为视为目标行为,其他类型的行为视为辅助行为。近年来,越来越多的研究发现,仅仅利用购买行为是远远不能令人满意的,而辅助行为在帮助预测目标行为方面具有巨大的潜力。
为了充分利用这些不同类型的行为,近年来出现了一些多行为推荐模型。一种简单的方法是直接建模所有类型的行为,并应用单一行为推荐模型,而不考虑行为之间的差异。为了区分不同行为的语义,一些工作将不同的可学习权重分配给不同的边缘,以建模行为的重要性。此外,最近的一些研究为每个行为提供了一种嵌入表示,它可以配合节点嵌入来参与图卷积运算。(相关工作原文可见)
尽管取得了成功,但这些模型仍面临以下缺点。首先,他们主要关注有效融合多种行为,并捕捉这些行为的差异。然而,他们大多忽略了利用这些行为的共性,这对推荐性能也非常重要。例如,如上图(b)所示,通过目标行为购买与用户 u3 关联的项目和与添加到购物车的辅助行为关联的项目之间必须存在差异,这会导致用户对它们的不同行为。但同时,这些项目通过任何行为连接到用户 u3,因此它们对 u3 也有某些共性(例如,相同的样式或价格区间)。
这些共性可以反映用户在不同行为中的总体偏好,这些偏好通常对用户是否进行目标行为(例如购买)起决定性作用。因此,我们需要挖掘目标行为与其他行为之间的共性,并将这些共性整合到目标行为中,以提高目标行为下嵌入的质量,从而达到更高精度的推荐效果。因此,如何捕捉目标行为和辅助行为之间的共性是一个重要但尚未深入探讨的问题。
其次,大多数推荐模型都是基于监督范式的,用户和项目之间观察到的目标行为通常被视为监督信号。然而,稀疏监督信号不能保证图形学习的质量。即使有多种行为,上述问题仍然存在。为了解决这一问题,人们在单行为推荐方面做了一些努力,将单行为图分成两个视图进行对比学习。然而,这些方法不能直接应用于多行为推荐,因为它们忽略了辅助行为对目标行为的影响,放弃了它们的协同作用。因此,在多行为推荐领域,开发一种新的方案来解决这一问题显得尤为重要。
在本文中,我们提出了一个新的模型 S-MBRec,这是一个多行为推荐模型,它从两种任务的角度考虑了多个行为的差异和共性,并且可以有效地缓解稀疏监督信号的问题。具体来说,对于每个行为,我们都执行 GCN 来了解用户和项目嵌入。为了区分不同行为的重要性,我们考虑了监督任务,并使用自动学习权重来聚合多个行为下的嵌入。同时,考虑到多种行为之间的共性,并有效地缓解了数据稀疏的问题,我们提出了一种星型对比学习任务,该任务只在目标和每个辅助行为之间进行对比学习。最后,我们共同优化这两项任务。
我们将这项工作的贡献总结如下:
1. 在多行为推荐场景的基础上,与以往区分不同类型行为的工作不同,我们首先努力研究如何保持它们的共性,同时解决数据稀疏问题。
2. 我们提出了一个新的多行为推荐模型 S-MBRec,该模型由监督和自监督学习任务组成。特别是,我们设计了一种星型对比学习策略,分别为目标和每个辅助行为子图构建了一个对比视图对。
3. 在三个真实数据集上验证了我们的 S-MBRec 模型的有效性,这证明我们的模型与其他基线相比提高了推荐性能。
2.1 问题定义
2.2 整体框架
是带有自循环的归一化矩阵,其中 是在第 个行为下的 的度矩阵,并且 , 是 的单位矩阵。 是节点在第 层卷积第 种行为下的嵌入矩阵, 表示嵌入的维度。 和 分别代表模型中可学习的权重参数和非线性激活函数。
其中,
被视为行为
的强度权重,该权重对所有用户都是相同的,并且在模型中具有自动学习的能力。
是用户
在行为
下的关联数。
其中
,
是多层感知器(MLP),
表示
向量之间的串联操作。
我们进行了大量实验,并记录了实验结果,如表 2 所示。为了全面评估结果,我们在实验中分别取 N=10、40 和 80。从表 2 中,我们总结了以下观察结果:
为了更充分地验证我们模型功能的完善性,我们进行了以下消融实验。首先,我们探讨了辅助行为的影响。为了探索每个辅助行为在我们的模型中的重要性,我们移除了每个辅助行为,然后测试了实验结果。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关键词
节点
问题
数据集
所示
之间
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。