Incorporating A Triple Graph Neural Network with Multiple Implicit Feedback for Social Recommendation | ACM Transactions on the Web
摘要
图神经网络(GNN)已被明确证明在推荐任务中是强大的,因为它们可以捕获高阶用户-项目交互并将其与丰富的属性集成。但是,它们仍然受到冷启动问题和数据稀疏性的限制。利用社会关系辅助推荐是一种有效的做法,但只能适度缓解这些问题。此外,丰富的属性通常不可用,这会阻止 GNN 完全有效。因此,我们建议通过挖掘多个隐式反馈并构建三重GCN组件来丰富模型。我们注意到,用户可能不仅受到他们信任的朋友的影响,还受到已经存在的评级的影响。隐性影响在项目以前的和潜在的评分者之间传播,并且确实会对未来的评级产生影响。分析了内隐影响的信息传播机制,并与用户的二元内隐态度融合,因为消极影响传播和积极影响一样传播。此外,我们在三重GCN组件中利用了显式反馈,社会关系和多个隐性反馈。在真实数据集上的大量实验表明,与其他最先进的方法相比,我们的模型在评级预测任务中有了显着改进。
核心内容:
- 基于三图神经网络模型(TGN)的新型推荐算法:用户-项目交互图、用户-用户社交网络图和项目-项目共现图。三个GNN编码器组成,它们分别对每个图进行操作并共享其参数,以确保不同图之间的嵌入空间的一致性。TGN模型还包括一个注意力机制,用于学习每个图对推荐的重要性。
- 结合多源隐式反馈的训练策略:用户的历史行为,项目的受欢迎程度和用户的社交网络。使用负采样技术来平衡训练数据中的正负示例。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)