近期必读的六篇SIGIR 2020【图神经网络 +推荐(GNN+RS) 】相关论文

2020 年 6 月 2 日 专知

【导读】作为CCF推荐的A类国际学术会议，International ACM SIGIR Conference on Research and Development in Information Retrieval（国际计算机学会信息检索大会，简称 SIGIR）在信息检索领域享有很高的学术声誉，每年都会吸引全球众多专业人士参与。今年的 SIGIR 2020计划将于 2020年7月25日~30日在中国西安举行。本次大会共有555篇长文投稿，仅有147篇长文被录用，录用率约26%。专知小编提前为大家整理了六篇SIGIR 2020 基于图神经网络的推荐（GNN+RS）相关论文，这六篇论文分别出自中科大何向南老师和和昆士兰大学阴红志老师团队，供大家参考—— 捆绑推荐、Disentangled GCF、服装推荐、多行为推荐、全局属性GNN

CVPR2020SGNN 、 CVPR2020GNN_Part2 、CVPR2020GNN_Part1、 WWW2020GNN_Part1 、 AAAI2020GNN 、 ACMMM2019GNN 、 CIKM2019GNN 、 ICLR2020GNN 、EMNLP2019GNN、 ICCV2019GNN_Part2 、 ICCV2019GNN_Part1 、 NIPS2019GNN 、 IJCAI2019GNN_Part1 、 IJCAI2019GNN_Part2 、 KDD2019GNN 、 ACL2019GNN 、 CVPR2019GNN 、

1. Bundle Recommendation with Graph Convolutional Networks

作者：Jianxin Chang, Chen Gao, Xiangnan He, Yong Li, Depeng Jin

摘要：捆绑推荐（Bundle recommendation ）旨在推荐一组商品供用户整体消费。现有的解决方案通过共享模型参数或多任务学习的方式将用户项目交互建模集成到捆绑推荐中，然而，这些方法不能显式建模项目与捆绑包（bundles）之间的隶属关系，不能探索用户选择捆绑包时的决策。在这项工作中，我们提出了一个用于捆绑推荐的图神经网络模型BGCN(Bundle Graph Convolutional Network)。BGCN将用户-项目交互、用户-捆绑包交互和捆绑包-项目从属关系统一到一个异构图中。以项目节点为桥梁，在用户节点和捆绑包节点之间进行图卷积传播，使学习到的表示能够捕捉到项目级的语义。通过基于hard-negative采样器的训练，可以进一步区分用户对相似捆绑包的细粒度偏好。在两个真实数据集上的实验结果表明，BGCN的性能有很高的提升，其性能比最新的基线高出10.77%到23.18%。

网址：

https://arxiv.org/abs/2005.03475

2. Disentangled Graph Collaborative Filtering

作者：Xiang Wang, Hongye Jin, An Zhang, Xiangnan He, Tong Xu, Tat-Seng Chua

摘要：从交互数据中学习用户和项目的信息表示对于协同过滤(CF)至关重要。当前的嵌入函数利用用户-项目关系来丰富表示，从单个用户-项目实例演变为整体交互图。然而，这些方法在很大程度上以统一的方式对关系进行建模，而忽略了用户采用这些项目的意图的多样性，这可能是为了打发时间，为了兴趣，或者为其他人(如家庭)购物。这种统一的对用户兴趣建模的方法很容易导致次优表示，不能对不同的关系建模并在表示中分清用户意图。在这项工作中，我们特别关注用户意图细粒度上的用户-项目关系。因此，我们设计了一种新的模型- Disentangled图协同过滤(Disentangled Graph Collaborative Filtering ,DGCF)，来理清这些因素并产生disentangled的表示。具体地说，通过在每个用户-项目交互意图上的分布建模，我们迭代地细化意图感知的交互图和表示。同时，我们鼓励不同的意图独立。这将生成disentangled的表示，有效地提取与每个意图相关的信息。我们在三个基准数据集上进行了广泛的实验，DGCF与NGCF、DisenGCN和MacridV AE这几个最先进的模型相比取得了显著的改进。进一步的分析揭示了DGCF在分解用户意图和表示的可解释性方面的优势。

网址：

http://staff.ustc.edu.cn/~hexn/

代码链接：

https://github.com/xiangwang1223/disentangled_graph_collaborative_filtering.

3. GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection

作者：Shijie Zhang, Hongzhi Yin, Tong Chen, Quoc Viet Nguyen Hung, Zi Huang, Lizhen Cui

摘要：近年来，推荐系统已经成为所有电子商务平台中不可缺少的功能。推荐系统的审查评级数据通常来自开放平台，这可能会吸引一群恶意用户故意插入虚假反馈，试图使推荐系统偏向于他们。此类攻击的存在可能会违反高质量数据始终可用的建模假设，而这些数据确实会影响用户的兴趣和偏好。因此，构建一个即使在攻击下也能产生稳定推荐的健壮推荐系统具有重要的现实意义。本文提出了一种基于GCN的用户表示学习框架GraphRf，该框架能够统一地进行稳健的推荐和欺诈者检测。在其端到端学习过程中，用户在欺诈者检测模块中被识别为欺诈者的概率自动确定该用户的评级数据在推荐模块中的贡献；而在推荐模块中输出的预测误差作为欺诈者检测模块中的重要特征。因此，这两个组成部分可以相互促进。经过大量的实验，实验结果表明我们的GraphRf在鲁棒评级预测和欺诈者检测这两个任务中具有优势。此外，所提出的GraphRf被验证为对现有推荐系统上的各种攻击具有更强的鲁棒性。

网址：

https://arxiv.org/abs/2005.10150

4. Hierarchical Fashion Graph Network for Personalized Outfit Recommendation

作者：Xingchen Li, Xiang Wang, Xiangnan He, Long Chen, Jun Xiao, Tat-Seng Chua

摘要：服装推荐越来越受到网购服务商和时尚界的关注。与向用户推荐单个单品(例如，朋友或图片)的其他场景(例如，社交网络或内容共享)不同，服装推荐预测用户对一组匹配良好的时尚单品的偏好。因此，进行高质量的个性化服装推荐应满足两个要求：1)时尚单品的良好兼容性；2)与用户偏好的一致性。然而，目前的研究主要集中在其中一个需求上，只考虑了用户-全套服装（outfit）或全套服装-项目的关系，从而容易导致次优表示，限制了性能。在这项工作中，我们统一了两个任务，服装兼容性建模和个性化服装推荐。为此，我们开发了一个新的框架，层次时尚图网络(HFGN)，用于同时建模用户、商品和成套服装之间的关系。特别地，我们构建了一个基于用户-全套服装交互和全套服装-项目映射的层次结构。然后，我们从最近的图神经网络中得到启发，在这种层次图上使用嵌入传播，从而将项目信息聚合到一个服装表示中，然后通过他/她的历史服装来提炼用户的表示。此外，我们还对这两个任务进行了联合训练，以优化这些表示。为了证明HFGN的有效性，我们在一个基准数据集上进行了广泛的实验，HFGN在NGNN和FHN等最先进的兼容性匹配模型基础上取得了显著的改进。

网址：

https://arxiv.org/abs/2005.12566

代码链接：

https://github.com/xcppy/hierarchical_fashion_graph_network

5. Multi-behavior Recommendation with Graph Convolutional Networks

作者：Bowen Jin, Chen Gao, Xiangnan He, Depeng Jin, Yong Li

摘要：传统的推荐模型通常只使用一种类型的用户-项目交互，面临着严重的数据稀疏或冷启动问题。利用多种类型的用户-项目交互(例如：点击和收藏)的多行为推荐可以作为一种有效的解决方案。早期的多行为推荐研究未能捕捉到行为对目标行为的不同程度的影响。它们也忽略了多行为数据中隐含的行为语义。这两个限制都使得数据不能被充分利用来提高对目标行为的推荐性能。在这项工作中，我们创新性地构造了一个统一的图来表示多行为数据，并提出了一种新的模型--多行为图卷积网络(Multi-Behavior Graph Convolutional Network，MBGCN)。MBGCN通过用户-项目传播层学习行为强度，通过项目-项目传播层捕获行为语义，较好地解决了现有工作的局限性。在两个真实数据集上的实验结果验证了该模型在挖掘多行为数据方面的有效性。我们的模型在两个数据集上的性能分别比最优基线高25.02%和6.51%。对冷启动用户的进一步研究证实了该模型的实用性。

网址：

http://staff.ustc.edu.cn/~hexn/

6. GAG: Global Atributed Graph Neural Network for Streaming Session-based Recommendation

作者：Ruihong Qiu, Hongzhi Yin, Zi Huang, Tong Chen

摘要：基于流会话的推荐(Streaming session-based recommendation，SSR)是一项具有挑战性的任务，它要求推荐器系统在流媒体场景（streaming scenario）中进行基于会话的推荐(SR)。在电子商务和社交媒体的现实应用中，在一定时间内产生的一系列用户-项目交互被分组为一个会话，这些会话以流的形式连续到达。最近的SR研究大多集中在静态集合上，即首先获取训练数据，然后使用该集合来训练基于会话的推荐器模型。他们需要对整个数据集进行几个epoch的训练，这在流式设置下是不可行的。此外，由于对用户信息的忽视或简单使用，它们很难很好地捕捉到用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流而设计的。本文提出了一种求解SSR问题的带有Wasserstein 库的全局属性图(GAG)神经网络模型。一方面，当新的会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以同时考虑全局属性和当前会话，以了解会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein库来帮助保存历史数据的代表性草图。在两个真实数据集上进行了扩展实验，验证了GAG模型与最新方法相比的优越性。