论文:《Session-based Social Recommendation via Dynamic Graph Attention Networks》(WSDM2019)

Posted by SLY on November 12, 2019

论文链接:DGRec

动机

1.用户的兴趣是动态的,每个时段兴趣不同。

2.用户的兴趣容易受他们的朋友的兴趣影响,更深层地,这样的影响是视场景而定的,如当一个用户想看搞笑电影的时候会受喜欢看喜剧的朋友影响,当他想看运动类电影的时候会更受喜欢看运动类电影的朋友影响。 avatar

解决的问题

对于第T+1个会话,给定当前用户在前T+1个会话所有购买记录以及这个用户所处社交网络的朋友们前T+1个会话购买的商品记录,要求推荐用户在这个会话下一件会买的商品。

主要观点

论文提出了dynamic-graph-attention模型用于社交网络的推荐系统。作者把用户在T+1时刻会话购买的商品放入RNN中构建用户的兴趣,然后用graph-attention神经网络来构建场景相关的社交影响,论文把朋友的兴趣分为短期兴趣和长期兴趣,其中短期兴趣通过把朋友们在T+1时刻会话购买的商品放入RNN中构建得到一个向量表示,朋友的长期兴趣用一个固定向量来表示,之后朋友的兴趣就是短期兴趣向量和长期兴趣向量拼接。接着把用户和朋友放到社交网络图中,图中结点用得到的兴趣向量表示,通过graph-attention来捕捉朋友对用户的动态影响,得到的向量和用户向量拼接得到最后的用户向量,最后得到下一个可能的物品的概率分布进行推荐,模型如下图: avatar

数据集

Douban

Delicious

Yelp

评价方法

Recall@K

NDCG

对比实验

1.只用用户当前会话的信息vs只用朋友们当前会话的信息

2.朋友们的短期兴趣vs朋友们的长期兴趣

3.卷积层的数量