TLDR: 本文将社交推荐任务建模在双曲空间学习之下,并提出了一种基于双曲图学习的社交推荐模型。具体的,其设计了一个双曲社交预训练模块以保留社交结构作为特征,并从显式的异质图学习和隐式的特征增强两方面缓解社交推荐存在的问题。
论文:ieeexplore.ieee.org/abstract/document/10361607
社交推荐提供了一个辅助的社交网络结构以增强推荐性能。通过构建用户-用户社交网络和用户-物品交互图,现存主流的图神经网络社交推荐架构建立在通过图卷积操作将用户和物品嵌入到欧几里得空间中的学习上。更多社交推荐算法的背景知识与经典算法可参考社会化推荐浅谈和深度学习技术在社会化推荐场景中的总结。
然而,欧几里得空间在表示图的自然幂律分布时会出现结构扭曲,导致基于图的社交推荐结果不尽理想。最近,一些研究探索了将图嵌入学习转移到双曲空间的替代方法,双曲空间可以保留现实世界图的层级结构。
然而,直接将当前的双曲图嵌入模型应用于社交推荐并非易事,因为存在两大挑战:网络异质性和社交扩散噪声。首先,由于社交网络和用户-物品交互之间存在语义差距,如何在双曲形式下解决社交推荐的异质性问题?其次,显式地对社交扩散进行建模很容易为用户偏好学习引入噪声,特别是对于那些有大量交互行为的活跃用户。
为了解决上述挑战,本文提出了一种基于双曲图学习的社交推荐(HGSR)模型。首先,利用双曲社交嵌入的预训练来探索社交结构,这可以保留社交网络的层级特性。其次,基于用户-物品交互和社交网络构建的异质图,然后将预训练的社交嵌入作为用户偏好学习的额外特征输入。如此,其结合了显式的异质图学习和隐式的特征增强用于双曲社交推荐,这可以很好地解决异质性和社交噪声问题。
最后,本文在四个数据集上进行了实验验证。广泛的实验表明其与最先进的基线模型相比,所提出的模型效果显著。
总之,本文提出了一种新颖的HGSR模型用于双曲空间的社交推荐。为了利用社交影响扩散引入的异质性和噪声问题,设计了一种社交预训练增强的双曲异质图学习方法。具体来说,首先在双曲空间中对社交网络进行预训练,其可以保留层级结构特性。接下来,将预训练的社交嵌入输入到双曲异质图中进行偏好学习。这样就结合了显式的异质图学习和隐式的社交特征增强用于双曲空间的社交推荐,这可以有效地解决异质性和噪声问题。
更多技术细节请阅读原始论文。