知识感知耦合的图神经网络

摘要

社交推荐任务旨在通过结合用户之间的社交联系，预测用户对项目的偏好，从而缓解协同过滤的稀疏问题。虽然最近的许多努力表明了基于神经网络的社交推荐系统的有效性，但有几个重要的挑战尚未得到很好的解决：
(i)大多数模型只考虑用户的社交联系，而忽略了项目间相互依赖的知识；
(ii)大多数现有的解决方案都是为单一类型的用户-项目交互而设计的，这使得它们不能捕获交互的异质性；
(iii)用户-项目交互的动态性质在许多具有社交感知能力的推荐技术中较少被探索。
为了解决上述挑战，本工作提出了一种知识-感知耦合的图神经网络(KCGN)，该网络将项目和用户之间的相互依赖的知识联合注入到推荐框架中。KCGN通过利用互信息实现全局图结构感知，实现高阶用户-项目关系编码。此外，我们还进一步增强了KCGN捕获动态多类型用户-项目交互模式的能力。
在真实数据集上的实验研究表明，我们的方法在各种设置下对许多强基线的有效性。
源代码在https://github.com/xhcdream/KCGN.

介绍

近年来，社交推荐旨在利用用户的社交信息来建模用户的偏好引起了广泛的关注(Liu et al. 2019)。正如在许多具有社交推荐文献中所述(Wu et al. 2019a; Chen et al. 2019b)，在不同推荐场景下，用户之间的社交影响对用户的交互行为有较大影响，如电子商务(Lin、Gao和Li2019)和在线评论平台(Chen et al. 2020a)。因此，研究人员建议将社交关系合并到协作过滤框架作为附信息，以描述跨用户之间的连接信息。

最先进的社交推荐系统最常见的模式是学习一个嵌入函数，它将用户-用户和用户-项目关系统一为潜在的表示。为了解决这一问题，许多研究者开发了各种的神经网络技术，将社交信息与用户-项目交互编码相结合作为约束条件。例如，基于注意力的机制被用来聚合不同用户之间的相关性 (Chen et al. 2019a,b)。此外，受图神经结构的最新进展的启发，多次建立了基于用户-用户社交图上的消息传递框架。例如，用信息融合的逐层扩散方案模拟了社交影响。 GraphRec(Fan et al. 2019年)使用图注意力网络来建模用户之间的关系结构。为了实现建模上下文-感知的社交效应，DANSER(Wu et al. 2019b)堆叠两阶的图注意力层，以区分多方面的社交同质性和影响。

虽然这些解决方案提供了鼓舞人心的结果，但有几个关键方面尚未得到很好的解决。特别是，
1）首先，在现实生活中，项目之间通常存在关系，这些关系描述了项目之间丰富的语义关系，有助于理解用户-项目交互模式(Wang et al. 2019a)。例如，在在线零售系统中，相同类别的产品（如食品和杂货、服装和鞋子）或相互补充，或相互关联，以丰富项目的知识表示(Xin et al. 2019)。对于在线评论平台，利用具有相同功能的场所之间的依赖关系，能够提供外部知识来帮助用户进行偏好学习 (Yu et al. 2019)。然而，大多数现有的社交推荐系统未能捕捉到项目间的关系结构，这很难从用户的协同交互行为中提取出知识-感知的协同信号。

2）其次，为了简化模型设计，目前大多数社交推荐方法都集中在建模用户和项目之间单类型的交互关系。然而，许多实际的推荐场景可能涉及到用户对项目的交互的多样性 (Cen et al. 2019; Xia et al. 2020)。以电商网站为例，多类型的用户-项目交互模式（例如页面视图、收藏和购买）及其它们潜在的相互依赖关系（例如，收藏可以作为购买的有用指标），对于在社交推荐任务中更准确地推断用户的复杂兴趣至关重要。

3）第三，社交推荐的时间维度需要更多的研究，以捕捉行为动态。最近的大多数方法都忽略了用户-项目交互的动态性，并假设影响交互行为的因素只是项目的特性(Song等。2019)。虽然最近有一些研究考虑了社交推荐中的顺序信息 (Song et al. 2019; Sun, Wu, and Wang 2018)，它们的局限性在于它们是针对单一类型的用户-项目关系进行内部设计的。这使得，在更复杂的场景下，以动态的方式保存不同的交互信号时，它们不足以产生令人满意的嵌入向量。

虽然直观上觉得将上述维度整合到社交推荐框架中很有用，但在实现这一目标时出现了两个独特的技术挑战。具体的说，图结构的神经网络可以应用于自然地建模社交节点的拓扑信息，如图卷积网络 (Wu et al. 2019a) 或者注意力机制 (Wu et al. 2019b; Fan et al2019)。然而，它们的非线性聚合函数只能学习用户之间的局部相关性，并且不能捕获图结构的更广泛的上下文。（例如，具有同构社交结构的用户）(You、Ying和Leskovec2019。因此，如何共同捕获具有知识感知能力的用户-用户和项目-项目的局部关系，以及在全局背景下保持高阶的社会影响和项目依赖关系，仍然是一个重大挑战。此外，处理动态的多类型用户-项目交互也是非常具有挑战性的，这样就可以通过任意的持续时间捕捉到用户和项目之间的动态的关系-感知的结构依赖。

目前的工作
鉴于上述动机和挑战，我们通过提出知识-感知耦合图神经网络(KCGN)来研究社交推荐问题。为了共同处理用户-用户和项目-项目的局部和全局关系结构感知，我们将互信息估计模式纳入了耦合的图神经体系结构中。为了共同处理用户-用户和项目-项目的局部和全局的关系结构意识，我们将互信息估计模式纳入了耦合的图神经体系结构中。这种设计使神经互信息估计器和图结构表示学习范式之间的协作成为可能，从而保留了用户和项目的节点级的独特特征和图级的子结构知识。此外，为了捕获动态的多类型交互模式，我们将关系-感知消息传递框架与相应时间编码策略相结合，赋予KCGN将时间信息整合到多类型用户-项目交互图学习中的能力。

我们的贡献如下：
• 我们提出用所开发的耦合图神经网络来捕获用户-用户和项目-项目之间的关系。通过对用户和项目依赖结构的联合建模，我们的KCGN可以更彻底地保存具有知识感知能力的跨项目关系，从而增强具有知识感知能力的用户嵌入。
• 我们提出了一个关系感知图神经模块来编码多类型用户-项目交互模式，并进一步将时间信息纳入信息传递内核中，以增强协作关系的学习。
• 我们在三个真实世界的数据集上进行了广泛的实验，以显示我们的KCGN在与来自不同研究线的几个基线竞争时的优越性。对可扩展性评估的进一步研究验证了KCGN对最先进的社会推荐系统的模型效率。我们还表明，当用户-项目交互稀疏时，我们的模型在冷启动场景中保持了很强的性能。

问题定义

我们首先介绍具有项目关系知识的社交推荐的关键定义和不同类型的用户-项目交互的定义。我们考虑一个典型的推荐场景，其中我们使用用户U={u1、…，ui、…，uI}和项目V={v1、…，vj、…，vJ}。为了捕获多类型用户-项目交互信号，我们定义了多类型交互张量如下：
定义一：多类型交互张量X。
我们定义了一个三维张量X∈ R I × J × K R^{I×J×K} RI×J×K来表示用户和项目之间的不同类型的交互，其中K(k为索引)表示交互类型（页面浏览、购买，或喜欢，不喜欢）。在X中，如果用户 u i u_i ui与项目 v j v_j vj有k类型的交互，则元素 x i , j k x^k_{i,j} xi,jk=1，否则为0。为了处理交互的动态性，我们还定义了一个与X大小相同的时间张量T∈ R I × J × K R^{I×J×K} RI×J×K，来记录每个对应交互的时间信息 t i , j k t^k_{i,j} ti,jk。

定义二：用户社交图 G u G_u Gu。
G u G_u Gu={U， E u E_u Eu}表示用户之间(节点U)的社交关系(边 E u E_u Eu)，其中如果用户 u i u_i ui和 u i ′ u_i' ui′用户之间存在边缘 e i , i ′ e_{i,i'} ei,i′，则用户 u i u_i ui和 u i ′ u_i' ui′之间是存在社交关联的。

定义三：项目相互依赖图
我们进一步定义了 G v G_v Gv={V， E v E_v Ev}来表示项目的相互依赖关系。特别的，我们用三角形关系来描述项目间关系，{ v j v_j vj， e j , j ′ e_{j,j'} ej,j′， v j ′ v_j' vj′ | v j v_j vj , v j ′ v_j' vj′∈V}，其中边 e j , j ′ e_{j,j'} ej,j′描述了项目 v j v_j vj , v j ′ v_j' vj′的关系。比如, v j v_j vj和 v j ′ v_j' vj′属于相同的产品类别，具有相似的功能，或者被相同的用户有相同类型的交互。

任务公式
本文将所研究的推荐任务用公式表示为：
输入：多类型交互张量X∈ R I × J × K R^{I×J×K} RI×J×K，用户社交图 G u G_u Gu和项目相互依赖图 G v G_v Gv。输出：一个有效预测未来用户-项目交互的预测函数。

方法

多类型的交互模式建模
为了对多类型协作关系进行编码，我们提出了一个关系-感知图神经结构，它被建立在信息传递范式上（如图1所示），以使KCGN能够捕获不同类型的用户-项目交互的专用模式。具体地，给定多类型交互张量X，我们首先通过表示特定类型的项目子顶点 v j v_j vj→( v j 1 v_j^1 vj1，…， v j k v_j^k vjk，…， v j K v_j^K vjK)的交互异质性来构造多类型关系图 G m G_m Gm，其中K表示交互类型的数量。 u i u_i ui和 v j k v_j^k vjk之间的每条边都表示与第k种类型的对应交互。因此，在我们的多类型图 G m G_m Gm=( V m V_m Vm， E m E_m Em)中有(I+J·K)顶点，其中 V m V_m Vm=U∪V’和 v j k v_j^k vjk∈V’,V’是新的类型-感知项目集。

信息构建阶段
我们首先在用户顶点 u i u_i ui与其交互的特定类型的项目顶点 v j k v_j^k vjk之间生成信息如下：

其中γ（·）表示输入特征嵌入向量 h v j k h_{v_j^k} hvjk∈ R ( J ⋅ K ) × d R^{(J·K)×d} R(J⋅K)×d、 h u i h_{ui} hui∈ R I × d R^{I×d} RI×d上的信息编码函数。 ρ i , j k ρ_{i,j}^k ρi,jk是随着节点度对传播影响进行归一化的衰减因子(Chen等。2020b)，例如：

其中， N i N_i Ni表示用户 u i u_i ui的相邻节点数， N j k N_j^k Njk表示在k关系类型下，项目 v j v_j vj连接的用户节点数。因此，所构建的信息可以展开为：

其中 W 1 W_1 W1∈ R d × d R^{d×d} Rd×d为权重矩阵。我们对 u i u_i ui、特定类型的交互项目 v j k {v_j^k} vjk使用类似的操作。

时间上下文编码方案
受到时间信息建模的推荐技术的启发(Sun等。(2019年；黄等人)，在我们的框架中，通过引入时间上下文编码方案来建模用户的不同类型交互的动态依赖关系，允许不同时间发生的用户-项目交互相互交叉。由于Transformer结构中的位置编码算法所启发(Vaswani等。2017年；Sun等人。2019年；Wu等人。2020年)，我们将单个交互 x i , j k x_{i,j}^k xi,jk的时间 t i , j k t_{i,j}^k ti,jk映射戳到时间点中，为：T( t i , j k t_{i,j}^k ti,jk)。我们使用正弦函数生成 G m G_m Gm中边 e i , j k e^k_{i,j} ei,jk∈Em的对应时间嵌入为：

式中(2i)和(2i+1)分别表示嵌入 b T ( t i , j k ) b_{T(t_{i,j^k})} bT(ti,jk)中偶数和奇数位置的元素索引。

高阶信息聚合阶段

我们将用户 u i u_i ui和项目 v i , j k v_{i, j}^k vi,jk之间所传播的信息，以及它们的交互边 e i , j k e^k_{i,j} ei,jk、时间上下文 b T ( t i , j k ) b_{T(t_{i,j^k})} bT(ti,jk)合并到我们的信息传播公式中，如下：

其中，ϕ（·）表示执行转换的LeakyReLU函数。 m u i ← u i ( l ) m^{(l)}_{u_i←u_i} mui←ui(l)是具有权重矩阵 W 2 ( l ) W^{(l)}_2 W2(l)∈ R d × d R^{d×d} Rd×d的自传播信息。⊕表示按元素级的累加。l是L图层数的索引。最后，我们使用以下连接操作生成用户/项目的嵌入(即 h u i ∗ h^∗_{u_i} hui∗， h v i , j k ∗ h^∗_{v^k_{i,j}} hvi,jk∗)，该连接操作如下：

我们使用门控机制(Ma，Kang，Liu2019)在所有项目的子顶点嵌入 h v j , k ∗ ， k h^*_{v_{j,k}}，k hvj,k∗，k(k∈[k，…，K])上生成总的嵌入表示 h v j ∗ h^*_{v_j} hvj∗，来区分具体类型的交互模式的重要性。

具有知识-感知能力的耦合图神经模块

为了将用户和项目间相互依赖的知识共同注入到我们的用户偏好建模中，我们开发了一个具有知识-感知能力的耦合图神经网络，它使互信息学习和图表示范式之间的合作成为可能。虽然许多工作已经致力于图结构信息的建模，但它们在捕获局部和全局的图子结构意识方面的能力有限(Velickovic et al. 2019; Xu et al. 2020) ，如用户和特定项目的社交/知识依赖信息以及用户/项目之间的高阶关系。KCGN具备了一个双阶图学习范式（如图2所示）。

局部关系结构建模
我们首先学习用户和特定项目的嵌入( z u i z_{u_i} zui， z v j z_{v_j} zvj)，它通过以下基于图的更新函数( z u i 0 z^0_{u_i} zui0= h u i ∗ h^∗_{u_i} hui∗， z u j 0 z^0_{u_j} zuj0= h u j ∗ h^∗_{u_j} huj∗)保存了用户社交图 G u G_u Gu和项目相互依赖图 G v G_v Gv上的局部连接信息：

其中η(-)对 G u G_u Gu和 G v G_v Gv中的邻接矩阵采用对称归一化策略。例如，

ˆ A v A_v Av是单位矩阵 I v I_v Iv和邻接矩阵 A v A_v Av相加，从而整合信息的自传播(Chen等。2020b)。

在这种图学习范式中，我们的目标是将用户社交图和项目关系图上的局部和全局级别的关系结构注入到我们学习的用户/项目表示中。不同于现有的图神经网络方法(Velickovic et al. 2019; Xu et al. 2020),他们只对局部特征嵌入和单一全局表示之间的相互关系进行了建模，而我们考虑了连接图的子结构(例如，所有用户的整个社交关系可能包括不同的连接子图 G u ’ G^’_u Gu’)，丰富了全局语义。特别地，我们通过平均池化特定的节点嵌入来生成一个融合的图级表示 f G u ′ f_{G'_u} fGu′， f G u ′ f_{G'_u} fGu′∈ R d R^d Rd。

我们设计了一个基于鉴别器D(x，y)的节点图成对关系的神经互信息估计器，为抽样对提供概率分数。具体来说，我们生成的正样本为( z u i z_{u_i} zui、 f G u ′ f_{G'_u} fGu′)、( z v j z_{v_j} zvj、 f G v ′ f_{G'_v} fGv′)，负样本为( z u i ~z_{u_i} zui、 f G u ′ f_{G'_u} fGu′)、( _{$z_{v_j}$、$f_{G’_v}$)。通过节点变换随机选取} z u i z_{u_i} zui和~ z v i z_{v_i} zvi，以产生错位的节点-图的配对关系。

由于互信息最大化中交叉熵的合理性 (Wang et al. 2020)，我们定义了我们的噪声-对比知识-感知损失函数 L β L_β Lβ如下：

其中， N p o s u N^u_{pos} Nposu/ N p o s v N^v_{pos} Nposv和 N n e g u N^u_{neg} Nnegu/ N n e g v N^v_{neg} Nnegv表示在子图 G u G_u Gu和 G v G_v Gv上采样的正实例和负实例的数量。τ（·）是一个指示器函数，例如，τ( z v j ) z_{v_j}) zvj)， f G ′ v f_{G'v} fG′v)=1和τ( z v j ) ~z_{v_j}) zvj)， f G ′ v f_{G'v} fG′v)=1对应于正样例和负样例。λ1和λ2为平衡参数。我们的目标是最小化Lβ，这相当于互信息最大化，以共同保持特定节点的用户/项目特征和全局图级依赖关系。

模型优化

我们定义了损失L，其中包括
(i)多类型用户-项目交互编码；
(ii)知识感知的用户-用户和项目-项目间依赖的关系学习。特别是，L整合了成对的BPR损失，这在推荐任务中被广泛采用(Wang et al. 2019c）。互信息最大化公式为：

成对训练数据表示为O={(u，j+，j−)|(u，j+)∈R+，(u，j−)∈R−}
(R+，R−)分别表示观察到和未观察到的相互作用)。
^ x i , j x_{i,j} xi,j是 u i u_i ui和 v j v_j vj嵌入向量的内积。Θ是可训练的参数，σ（·）是sigmoid。λ控制了L2正则化的强度来减轻过拟合。

时间复杂性分析

KCGN为处理用户、||×和项目关系的消息进行O(|E|×)，其中|E|表示边数。此外，O((I+J·K)×d2)的计算也是通过转换来完成的。通常，由于信息压缩，第一项占主导地位。总之，与目前基于gnn的推荐方法相比，KCGN在时间效率上具有可比性。我们的模型只使用中等内存来存储节点嵌入(O(I+J·K)×d))，这与现有的方法相似。

评估

在本节中，我们在不同的现实世界数据集上进行实验，从以下几个方面来评估我们的方法的性能：

RQ1：KCGN在推荐准确性方面是否始终优于其他基线？
RQ2：使用不同关系编码器组合的KCGN变体的性能如何？
RQ3：不同的交互密度性能如何？
RQ4：这些表征如何从社交推荐中全局知识-感知交叉交互模式的集体编码中获益？
RQ5：不同的超参数设置如何影响我们的KCGN框架的性能？
RQ6：KCGN的模型效率如何？

实验设计

数据集

表1列出了三个数据集的统计数据。我们将这些数据集的细节描述如下：

Epinions. 这些数据记录了在基于社交网络的评论系统中用户从对不同项目的反馈(Fan et al. 2019)。每个显式的评分分数（从1到5）被认为是一种独特的互动类型：负面，低于平均水平，中性，高于平均水平，正面。

Yelp. 这些数据从Yelp平台收集，在该平台中，用户-项目交互用Epinions中相同的拆分标题进行区分。此外，用户的社交联系也包含在这些数据（具有共同利益）中。

E-Commerce. 它是从一个具有不同类型的交互作用的电子商务平台上收集来的数据，即，页面视图，添加到购物车，添加到收藏夹和购买。用户的关系是用它们的协同交互模式来构建的。

评估协议. 我们对社交推荐任务采用了两个广泛使用的评估指标(Chen et al. 2019a）：命中率（HR@N）和标准化折扣累计增益（NDCG@N）。我们遵循在(Chen等人。2019年b；Wu等人。并采用留一的方法生成训练和测试数据实例)。与(Sun et al. 2019)保持一致，我们将每个正面样例与99个负面样例联系起来。

基线在我们的实验中，我们通过用以下基线来进行性能比较：

概率矩阵分解方法
•PMF(Mnih等人，2008年)：这是一种采用矩阵分解进行用户/项目分解的概率方法。
传统的社交推荐方法
•TrustMF(Yang等。2016)：该方法将用户之间的真实关系纳入矩阵分解架构中，以嵌入用户交互。
注意力社交推荐技术
•SAMN(Chen等人。2019a)：该模型是一个双阶注意力网络，学习目标用户及其邻居节点之间的影响。
•EATNN(Chen等人。2019b)：该transfer学习模型也基于注意力机制，共同融合用户互动和社交信号的信息。
图神经网络社交推荐系统
•DiffNet (Wu 等人. 2019a)：一个深度影响传播框架去模拟社交扩散过程。
•GraphRec(Fan等人。2019年)：它通过图神经结构聚合了用户之间的社交关系。
•NGCF+S(Wang等人。2019c)：它将社交联系纳入最先进的图结构神经协同过滤模型，用于联合消息传播。
•Danser(Wu等。2019b)：它由两个图形注意层组成，分别从用户和项目中获取社会影响和同质性。
•LR-GCCF(Chen等。2019b)：这是一种新的基于图卷积网络的基于图的协同过滤模型，去除了非线性变换。
具有时序模式的社交推荐
•DGRec(Song等人。2019年)：它联合模拟了动态用户的偏好和潜在的社交关系。
知识图谱增强的推荐
•KGAT(Wang等人。2019b)：是一个图注意力信息传递框架，使用知识图谱通过项目附信息去增强推荐。

实现细节
KCGN采用Pytorch实现，采用Adam优化器进行超参数估计。训练过程的学习速率范围为[0.001、0.005、0.01]，批量从[1024、2048、4096、8192]中选择。嵌入的大小从[8,16,32,64]的范围内进行调整。在我们的评估中，我们采用提前中止策略，在验证数据的5个连续轮次性能下降时，进行训练终止。

整体模型性能比较（RQ1）
表2报告了KCGN和许多基线在从HR@10和NDCG@10指标预测总体交互作用方面的结果。可以看出，在两个指标上，KCGN在不同的推荐场景中都获得了最佳的性能，这证明了我们的方法在将用户-用户、项目-项目关系、多类型用户-项目交互模式集成方面的有效性。

与传统方法相比，基于神经网络的模型由于在特征交互学习阶段进行了高阶非线性建模，通常可以获得更好的性能。在多种比较方法中，基于GNN的模型优于注意力社交推荐系统，这确定了以循环的方式使用图神经网络处理用户/项目之间的高阶关系的合理性。与这些GNN技术不同，我们的框架通过一个互信息编码模式集成了社交关系和来自全局的上下文知识-感知关系。也捕获了交互的相互作用，从而有了更好的性能。

我们进一步研究了KCGN在目标交互类型中做推荐(例如，Epinions和Yelp中的正面反馈，或者用户在E-commerce上购买)方面的性能。结果如表3所示。我们可以看到，通过仔细考虑用户-项目交互信号的不同类型，KCGN仍然取得了显著的改进。虽然基线KGAT建议合并辅助知识图谱，但它没有明确区分特定类型的交互模式。

不同关系编码器的影响（RQ2）

我们接下来做实验，以评估多类型用户项目交互、用户关系、项目依赖和时间上下文继承的影响，以及KCGN的以下五种对比变体的影响。
•KCGN-M：KCGN没有建模多类型交互模式，只有单一类型交互。
•KCGN-U：KCGN没有用于捕获推荐中社交信号的社交关系编码器。
•KCGN-I：KCGN没有附知识来描述项目依赖性。
•KCGN-UI：KCGN不需要用户和项目级关系编码器，并在联合学习框架中删除耦合的互信息范式。
•KCGN-T：没有时间上下文编码的KCGN。

图3显示了不同变体的比较结果。我们可以看出，联合模型KCGN的性能最好。因此，有必要建立一个联合框架，以同时捕获社交维度（用户的社交影响)、项目维度(有知识感知的项目间关系）、多类型交互和有时间感知的用户的兴趣，以便进行推荐。此外，KCGN-UI的性能比KCGN-U和KCGN-I更差，这再次证实了我们设计的关系聚合函数的有效性。

稀疏度以上的性能（RQ3）
利用社交和知识感知附信息的一个关键动机是缓解稀疏性问题，这限制了模型的鲁棒性。因此，我们进一步评估了对于非活跃和活跃用户的KCGN。特别地，我们根据目标用户的交互密度将其划分为四个稀疏性级别。图4显示了在NDCG@10指标上对Yelp和E-Commerce不同用户组的评估结果。我们可以看到，KCGN在大多数情况下优于代表性基线，特别是在最稀疏的用户组上。这表明，将用户和项目附知识作为它们的额外关系，通过回归信息聚合架构增强了非活跃用户的表示。

KCGN的定性分析(RQ4)
我们说明了我们的附知识-感知的多类型关系编码模式如何有利于将用户的偏好嵌入到潜在学习空间的能力。特别是，我们从Yelp数据集中采样了几个用户和他们的四星和五星评级项目，并进一步可视化NGCF+S和我们的KCGN学习到的相应的用户/项目嵌入（如图5所示）。从研究结果来看，我们可以看到：
i) 可视化嵌入可以很好地保持用户与其交互项目之间的关系，并具有聚类现象（用相同的颜色表示）；
ii) KCGN可以为不同用户及其交互项目提供更好的分离。因此，上述观察结果通过将附知识和交互单元映射到有效潜在空间的编码函数，验证了KCGN具有优越的表示学习能力。

参数敏感性研究（RQ5）
#逻辑图层的影响 图6显示了在用户-项目交互图上使用不同数量的嵌入传播层的实验结果。我们可以看到，增加KCGN的深度可以提高性能，即KCGN-2比KCGN-0（没有图结构）和KCGN-1（只考虑1跳邻居）表现更好。性能的改进在于对用户和项目之间的高阶协作效应的有效建模。具有3个图层的KCGN表现比KCGN-2差，表明探索更高阶的关系可能涉及噪声。

嵌入尺寸的影响 我们注意到，最初，嵌入尺寸越大，精度提升，表示能力越强。但随着维数的进一步增加，性能会下降，这表明存在过拟合现象。

模型效率研究（RQ6）

最后，我们研究了KCGN在与最先进的基线对比时的计算成本。如表4所示，我们可以观察到，与神经社交推荐方法相比，KCGN时间效率低（通过每个轮次的运行时间来衡量）。值得指出的是，叠加多个图注意层的方法是耗时的，因为它们对社交或知识图谱信息聚合的两两注意力权重进行计算。

结论

在本文中，我们提出了KCGN，一个端到端的框架，它自然地将知识-感知的项目依赖整合到社交推荐系统中。 KCGN将用户-用户和项目-项目关系结构学习与基于互信息的神经估计器下的耦合图神经网络统一起来。为了处理动态的用户-项目交互异质性，我们设计了一个关系-感知图编码器，使KCGN能够结合时间信息来保持多类型交互信号的专用表示。通过在真实数据集上的广泛实验，我们证明了KCGN比最先进的基线取得了实质性的收益。

Knowledge-aware Coupled Graph Neural Network for Social Recommendation相关推荐

2021_AAAI_Knowledge-aware Coupled Graph Neural Network for Social Recommendation
[论文阅读笔记]2021_AAAI_Knowledge-aware Coupled Graph Neural Network for Social Recommendation 论文下载地址: htt ...
Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation 个人总结
Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation 个人总结写在前面:为方便阅读,尽量使用中文总 ...
Graph Neural Networks for Social Recommendation（GraphRec2019）阅读笔记
Graph Rec 推荐系统提升的关键是学习用户和项目的潜在因素现存问题: 用户(物品)同时参与用户-物品图和用户-用户社交图(物品-物品图):我的理解是以前只用users-items图来构建emb ...
【社交推荐图神经网络】Graph Neural Networks for Social Recommendation
用于社会推荐的图神经网络 [原文链接] [摘要]该文提供了一种方法来联合捕获用户-项目图中的交互和意见,并提出了框架GraphRec,该框架对两个图进行了一致建模.该模型由用户建模.项目建模和评级预测 ...
意图推荐 Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation
Metapath-guided Embedding method for Intent Recommendation(MEIRec) "搜索栏关键词推荐" 静态属性数据+交互数据 ...
《Poluparity Prediction on Social Platforms with Coupled Graph Neural Networks》阅读笔记
论文地址:Popularity Prediction on Social Platforms with Coupled Graph Neural Networks 文章概览作者提出了一种耦合图神经网 ...
斯坦福应智韬：Graph Neural Network Applications
不到现场,照样看最干货的学术报告! 嗨,大家好.这里是学术报告专栏,读芯术小编不定期挑选并亲自跑会,为大家奉献科技领域最优秀的学术报告,为同学们记录报告干货,并想方设法搞到一手的PPT和现场视频--足 ...
【推荐系统-＞论文阅读】Dynamic Graph Neural Networks for Sequential Recommendation（用于序列推荐的动态图神经网络）
Dynamic Graph Neural Networks for Sequential Recommendation(用于序列推荐的动态图神经网络) Mengqi Zhang, Shu Wu,Mem ...
2021_WWW_Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
[论文阅读笔记]2021_WWW_Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommend ...

Knowledge-aware Coupled Graph Neural Network for Social Recommendation

知识感知耦合的图神经网络

摘要

介绍

问题定义

方法

模型优化

时间复杂性分析

评估

相关工作

结论

Knowledge-aware Coupled Graph Neural Network for Social Recommendation相关推荐

最新文章

热门文章