在推荐系统中,当用户-物品交互数据稀疏时,常用社会关系来提高推荐质量。大多数现有的社交推荐模型都是利用成对关系来挖掘潜在的用户偏好。然而,现实生活中用户之间的互动非常复杂,用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系,而它在改善社会推荐方面的潜力还有待开发。在本文中,我们填补了这一空白,提出了一种利用高阶用户关系增强社交推荐的多通道超图卷积网络。技术上,网络中的每个通道通过超图卷积编码一个描述常见高阶用户关系模式的超图。通过聚合通过多种渠道学习到的嵌入,我们获得了全面的用户表示,从而产生推荐结果。然而,聚合操作也可能掩盖不同类型高阶连接信息的固有特征。为了弥补累积损失,我们创新性地将自监督学习融入到超图卷积网络的训练中,以获取具有层次互信息最大化的连通信息。在多个真实数据集上的实验结果表明,该模型优于SOTA方法,消融研究验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
https://www.zhuanzhi.ai/paper/f786e30e0450dcf59a593057b61b9350
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“SMHC” 就可以获取《【WWW2021】自监督多通道超图卷积网络》专知下载链接