In recent years, Graph Neural Networks (GNNs), which can naturally integrate node information and topological structure, have been demonstrated to be powerful in learning on graph data. These advantages of GNNs provide great potential to advance social recommendation since data in social recommender systems can be represented as user-user social graph and user-item graph; and learning latent factors of users and items is the key. However, building social recommender systems based on GNNs faces challenges. For example, the user-item graph encodes both interactions and their associated opinions; social relations have heterogeneous strengths; users involve in two graphs (e.g., the user-user social graph and the user-item graph). To address the three aforementioned challenges simultaneously, in this paper, we present a novel graph neural network framework (GraphRec) for social recommendations. In particular, we provide a principled approach to jointly capture interactions and opinions in the user-item graph and propose the framework GraphRec, which coherently models two graphs and heterogeneous strengths. Extensive experiments on two real-world datasets demonstrate the effectiveness of the proposed framework GraphRec.


翻译:近年来,自然可以将节点信息和地形结构融合在一起的图形神经网络(GNN)在通过图表数据学习方面被证明是强大的,GNN的这些优势为推进社会建议提供了巨大的潜力,因为社会建议系统中的数据可以作为用户用户用户社会图和用户项目图来代表;了解用户和项目的潜在因素是关键。然而,建立以全球网络为基础的社会推荐系统面临着挑战。例如,用户项目图将相互作用及其相关意见结合起来;社会关系具有不同的优势;用户在两个图表(例如用户用户社会图和用户项目图)中有不同的优势;为了同时应对上述三个挑战,我们在本文件中为社会建议提出了一个新的图形神经网络框架(GraphRec),特别是,我们为在用户项目图中联合收集互动和意见提供了原则性方法,并提出框架图Rec,该框架一致地模拟了两个图表和各种强项。关于两个真实世界数据集的广泛试验显示了拟议框架图的实效。

8
下载
关闭预览

相关内容

【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
165+阅读 · 2020年4月26日
【ICLR2020-】基于记忆的图网络,MEMORY-BASED GRAPH NETWORKS
专知会员服务
102+阅读 · 2020年2月22日
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
12+阅读 · 2018年11月29日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
可解释的CNN
CreateAMind
16+阅读 · 2017年10月5日
【论文】图上的表示学习综述
机器学习研究会
10+阅读 · 2017年9月24日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
17+阅读 · 2018年10月24日
Arxiv
12+阅读 · 2018年1月28日
Arxiv
6+阅读 · 2018年1月10日
VIP会员
相关VIP内容
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
165+阅读 · 2020年4月26日
【ICLR2020-】基于记忆的图网络,MEMORY-BASED GRAPH NETWORKS
专知会员服务
102+阅读 · 2020年2月22日
Top
微信扫码咨询专知VIP会员