解缚的图社交推荐
摘要：社交推荐系统在许多在线网络服务中引起了很大关注，因为它在改善推荐结果时结合了用户之间的社交信息。尽管现有解决方案取得了重大进展，但我们认为目前的方法存在两个局限：（1）现有的社交感知推荐模型只考虑物品之间的协同相似性，如何将物品间的语义相关性纳入当前的推荐范式尚未得到充分探索。（2）当前的社交推荐系统忽视了异构关系（例如，社交关系和用户-物品互动）之间的潜在因素的纠缠。学习具有关系异质性的分离表示对社交推荐而言是一个很大的挑战。在这项工作中，我们设计了一种有潜在记忆单元的分离图神经网络（DGNN），它使DGNN能够维持异质类型的用户和物品连接的因子化表示。此外，我们在图神经网络结构下设计了新的记忆增强的消息传递和聚合方案，使我们能够以完全自动的方式将语义相关性递归地提炼到用户和物品的表示中。对三个基准数据集进行的大量实验证实了我们模型的有效性，其在推荐技术的最新状态下取得了显著改进。源代码可公开获取于：https://github.com/HKUDS/DGNN。
作者：Lianghao Xia, Yizhen Shao, Chao Huang, Yong Xu, Huance Xu and Jian Pei
论文ID：2303.07810
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-15