【WWW2021】基于双侧深度上下文调制的社会化推荐系统

2021 年 1 月 28 日 专知

社会化推荐(英文:Social Recommendation)旨在利用线上社交平台提供的用户间社交关系(social relation)来提升推荐系统的推荐性能。利用用户之间的社交关系不仅可以获取好友的偏好信息来帮助建模用户的兴趣偏好,也可以帮助商品曝光给用户的好友来吸引更多的潜在消费者。

为了在推荐系统中利用好社交关系的信息,现有的社会化推荐工作在不同方面做出了尝试:典型的矩阵分解方法[1,2,3,4]假设具有社交关系的用户也有着相似的偏好表述(即社会同质性理论)。因此,它们基于社会关系设计了一种社会化正则项来限制用户偏好表示的学习。此外,一些其它方法[5,6]假设具有社交关系的人们会互相影响彼此的行为(即社会影响力理论),这些方法将好友对当前候选商品的意见也纳入到模型的学习中来对用户偏好进行建模。


图1: 深层上下文感知的双侧调制


尽管在挖掘交互历史信息中利用社会关系和相似关系具有巨大潜力,但仍然存在一些重大挑战。首先,高阶社会关系和相似关系很复杂,很难提取高阶的邻居信息来建模不同关系下的用户偏好表示和商品属性表示。其次,基于高阶关系增强的上下文表示来从交互历史中建模用户兴趣和商品吸引力并不简单,需要过滤更多的噪音。为了解决上述挑战,本文提出了DICER(Dual SIde Deep Context-awarEModulation for Social Recommendation) 模型,其结合了图神经网络来建模用户和商品在不同关系下的高阶邻居信息,并基于高阶关系增强的深度上下文从交互历史中建模了用户兴趣和商品吸引力。


02

贡献


  1. 我们提出了一种新的社会化推荐模型,该模型利用关系感知的图神经网络有效地建模了用户和商品不同关系下的高阶邻居信息。并且引入了深度上下文感知的双侧调制来建模用户侧兴趣和商品侧吸引力。

  2. 据我们所知,我们是第一个提出利用社交关系和协同相似关系增强的深度上下文来建模商品吸引力。对偶的,我们还将商品间的协作相似关系作为深度上下文来建模好友信息和用户的兴趣表示。

  3. 我们在两个基准数据集上进行了实验,证明了我们的模型优于已有的最新模型。

专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“DSDC” 可以获取【WWW2021】基于双侧深度上下文调制的社会化推荐系统专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
17

相关内容

推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
39+阅读 · 2021年4月5日
【WWW2021】场矩阵分解机推荐系统
专知会员服务
30+阅读 · 2021年2月27日
专知会员服务
32+阅读 · 2021年2月12日
【WWW2021】基于图神经网络的社交好友排序
专知会员服务
48+阅读 · 2021年2月3日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
43+阅读 · 2021年2月1日
基于知识图谱的推荐系统研究综述
专知会员服务
318+阅读 · 2020年8月10日
近期必读的6篇顶会WWW2020【推荐系统】相关论文-Part3
专知会员服务
57+阅读 · 2020年4月14日
【推荐系统】16篇最新推荐系统论文送你
深度学习自然语言处理
3+阅读 · 2020年3月7日
【推荐系统】融合 MF 和 RNN 的电影推荐系统
产业智能官
23+阅读 · 2018年1月4日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
Arxiv
8+阅读 · 2021年4月21日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
22+阅读 · 2018年8月3日
Arxiv
9+阅读 · 2018年1月30日
VIP会员
Top
微信扫码咨询专知VIP会员