Knowledge-aware Coupled Graph Neural Network for Social Recommendation AAAI 2021 知识感知耦合图神经网络

摘要

• 挑战：大部分模型只考虑用户的社交联系，忽视项目之间的相关信息。为了单一类型的用户项目交互设计，不能捕捉交互异构性。忽视了用户-项目的动态特性。
• 模型：Knowledge-aware Coupled Graph Neural Network (KCGN)，在推荐框架中加入用户和项目相互依赖知识。利用全局图结构感知的相互信息，编码高阶用户和项目联系。

introduction

• 将社交联系加入协同过滤体系结构作为辅助信息，描述用户的连接性信息。
• 现存方法忽视了项目级别的信息，item-wise relational structure 有助于理解用户交互模式。
• 现存方法没有在用户和项目的多种交互方式上进行信息提取，只关注于一种交互方式。
• 大多数方法忽略了用户-项目交互的动态特性，在时间维度上的调查，不能在复杂场景中以动态方式保留不同交互信号下产生令人满意的嵌入。
• 图结构能很自然地建模社交结点中的拓扑信息，GCN/注意力机制的非线性聚合函数只能学到局部邻近度，无法捕捉更广泛的上下文。
• 本文工作：共同处理用户-用户，项目-项目的局部和全局关系结构感知，将互信息估计模式纳入耦合图神经网络架构中。 保留结点层级特征和图级的结构信息。捕捉动态多种类型交互信息，使用包含相关时间编码策略的感知关系消息传递的框架
• ①使用开发的耦合图神经网络捕捉用户-用户和项目-项目关系，②提出关系感知图神经模块编码多类型用户-项目交互模式，③以及将时间信息结合进消息传递内核加深推荐合作关系的学习。

问题定义

• 多类型交互张量X，用户社交图，项目内部联系图
• 输出：预测未来用户-项目交互的函数

模型

• 编码多类型协作关系：基于消息传递机制，提出关系感知图神经架构。为了捕捉用户-项目的专用模式，构造多种类型的关系图展示项目的交互异构。
• 消息构建阶段：构建用户结点和其连接的项目
• 时间上下文编码方案：来自于Transformer架构的位置编码算法
• 高阶消息聚合：在用户和项目之间聚合传播消息，得到嵌入。
• 知识感知耦合图神经网络模块：
  其他方法同时捕捉局部和全局信息存在局限性
• 局部关系结构建模：先各自学习用户和项目的嵌入，在用户社交图和项目相互依赖图中保留局部连接信息
• 本文方法：考虑连通图结构，例如联通子图，充实全局语义信息。首先在结点嵌入上应用平均池化方法生成融合图级表示。
  设计神经信息估计器：通过结点-图级关系鉴别器，提供采样对的概率分数。
  共同保留结点特定的用户/项目特性和全局图级依赖关系。
• 模型优化：优化损失函数

总结

​ 局部信息：在用户社交图

\[G_u \]

​ 和项目相互依赖图

\[G_v \]

​ 中保留局部连接信息学习用户和项目的嵌入

​ 全局信息：基于discriminator设计神经信息估计器：neural mutual information estimator

时间上下文（与个人研究暂时无关）

模型图