DH-HGCN论文阅读笔记

Abstract

目前大多数现有的推荐方法之假设单一的社会关系（即利用承成对关系来挖掘用户的偏好），而忽略了多方面的社会关系对用户偏好的影响（即用户关系的高阶复杂性）。此外，一个观察到的事实是，当暴露给用户时，相似的项目总是具有相似的吸引力，这表明项目的静态属性之间存在潜在的联系。于是在这里我们提倡用超图卷积网络从社会关系和项目链接中建模对偶同质性，称为DH-HGCN。具体来说，我们使用情绪分析来提取评论关系，并使用K-means聚类来构建项目-项目相关性，然后我们在一个统一的框架中优化这些异构图。

Introduction

介绍了现有的方法存在的问题：主要使用一阶邻居，很少考虑社会扩散的影响。像DiffNet和DiffNet++等研究主要是对节点对之间的社会关系进行建模，忽略了现实世界中关系的复杂性。
然后介绍说提出了一个新的模型，称为DH-HGCN（对偶同质性超图卷积网络），用于社会推荐。我们首先考虑各种人际关系对用户表示的影响，我们利用超图来模拟社会图中的各种社会关系，然后采用K-Means聚类算法计算项目之间的相似度，构建项目静态属性相关超图，通过对项目的同质性进行建模，对项目的潜在表征可以进一步提高模型的代表性，主要贡献如下：

• 观察到多种社会关系在建模用户表示中扮演着不同的角色，而具有相似静态属性的项目在接触到用户时，会倾向于处理相似的吸引力。我们在社会推荐中引入同质性研究，并以社会同质性和项目同质性作为辅助信息，分别丰富用户和项目的潜在表征
• 我们使用情绪分析来提取评论关系来构建社会图，并使用k-means聚类算法来构建项目-项目相关图。然后我们开发了一个超图卷积网络模型，以明确地基于所构造的图来学习用户和项目之间的高阶相关性

Method

该模型的总体结构如下：

Homogeneity and Graph Modeling

有三种类型的图，用户-用户社交图，用户-项目交互图，项目-项目相似图。评论关系被定义为对同一项做出积极评论的用户。使用情绪分析来计算用户评论的情绪得分，并删除那些发表过负面评论的用户。根据社会同质性，链接用户总有相似的偏好。
为了自然的对用户和项目之间的高阶关系进行建模，我们使用超图来构建模型。在社交图中，每个超边代表与用户链接的其他集合。在项目-项目图中，利用k-means算法来计算项目的相似性，并挖掘项目之间的潜在链接。每个超边都包含类似的项目，在用户-项目图中，每个超边都由于项目交互过的用户集表示。

User Convolutional Embedding Learning

主要的挑战是如何内在地结合用户-项目交互图和多个用户-用户社交图。不同的社会关系在最终的用户嵌入学习中扮演着不同的角色。直接将完整的用户嵌入到模型中是不明智的。为了控制从初始用户嵌入到每个维度的社会关系的基础嵌入的信息流，我们引入了一种具有自门控单元(SGUs)的过滤机制

然后对经过门控单元的用户嵌入进行超图卷积，具体公式详见论文。在卷积结束后，为了防止过平滑，我们对每一层获得的用户嵌入进行平均。然后通过注意力机制将多个社会图中的用户表示聚合。通过注意力机制，我们可以为每个维度关系分配一个权重，使它们对最终的用户表示有不同的贡献

Item Convolutional Embedding Learning

将所有的物品采用K-means算法聚合成多个簇，每个簇里面的顶点用一条超边进行连接，这样物品就形成一个超图，然后对其进行卷积操作。具体公式详见论文

Conclusion

在本文中，我们利用了多个社交网络对提高社会推荐效果的潜力。我们提出的模型利用社会同质性和项目同质性来缓解冷启动和稀疏性的问题。