Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback学习笔记
1 摘要
在user-item graph会存在一些用户的隐式反馈（例如，用户不小心点了一个视频，系统会认为用户偏爱这类型的视频），这就导致了在graph产生了false-positive edges，产生了噪声，影响推荐系统的准确性和个性化。
2 贡献
- 探索隐式反馈对基于GCN的推荐模型的影响
- 开发了GRCN，自适应地改进了用户-项目交互图的结构，以利用GNN在推荐任务中的应用
- 进行实验，验证了本模型的合理性和有效性
3 Graph-Refined Convolutional Network (GRCN)
3.1 user-item graph
其中，E(DN+DM)为user（数量为N）和item（数量为M）的结点嵌入矩阵，A（N*M）为反映user与item之间连接的关系的矩阵（对应位置的user和item有连接为1，否则为0）。
3.2 the graph refining layer
通过识别和修剪交互图中的噪声边来调整图结构
3.2.1 prototypical network
可以从直接连接到user-item graph中用户节点的项目内容中了解每个用户偏好，但是由于噪声的存在，很难直接推断出每个用户的喜好。
利用此prototypical network步骤可以识别出用户真实的偏好。
-
提取特征信息
得到提纯之后的特征向量
-
进行迭代操作
* 初始化一个向量
代表用户u的偏好
* 计算user偏好与item特征的内积来得到他们的相似性
其中，得到的这个值越高，代表这个用户对这个item的偏好越真实。
* 得到一次迭代的值
* 经过T次迭代，得到user preference
3.2.2 pruning operations
- 利用上一个步骤得到的user preference和特征向量，计算反映在第m模态中user preference和特征向量之间亲和度的分数
- 为了整合多模式得分，我们为每个user或item定义了基本向量
user的基本向量的每个元素：用来衡量对不同模态的相对偏好。
item的基本向量的每个元素：内容信号在与项目表示相对应的模式中的重要性。（represents the importance of content signal in the corresponding modality to the item representation.） - 计算每个边的权重
3.3 the graph convolutional layer
- 利用图卷积，对user-item graph传达的协作信号进行传递和传播。
其中e代表the corresponding ID embedding vector - 整合每一层的信息
3.4 the prediction layer
- concatenate the multimodal features and the enriched ID embedding as a whole vector
- conduct the inner product between user and item representations
3.5 optimazation
- 采用BPR去估计用户以及item的成对排序等级，首先建立一个三元组（一个用户𝑢，一个观察到的项目𝑖和一个未观察到的项目j的三元组。）。
这个三元组的含义代表：相比较j来说，用户更喜欢i。
