【导读】CCF A类会议，国际万维网大会WWW 2021（The Web Conference）已于2021年4月23日落幕。今年共有1736 篇长论文投稿，接收357篇，接收率为20.6%；WWW（The International World Wide Web Conference）会议是由图灵奖得主Tim创办的学术会议，内容涵盖互联网相关的一切主题。会议原定在斯洛文尼亚首都卢布尔雅那举行，后由于疫情改为线上会议。
为此，专知小编为大家整理了五篇WWW 2021图神经网络+推荐（Graph Neural Network）最新进展，这块这几年一直比较受关注，也非常前沿——自监督多通道超图网络、双曲图卷积网络、图推断攻击、交互感知图归纳、多样化推荐
CVPR2021DA、CVPR2021IVC、CVPR2021PID、CVPR2021IC、CVPR2021VU、CVPR2021OD、CVPR2021OT、CVPR2021AR
1. Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
作者：Junliang Yu, Hongzhi Yin, Jundong Li, Qinyong Wang, Nguyen Quoc Viet Hung, Xiangliang Zhang
摘要：在推荐者系统中，当用户-商品交互数据比较稀疏时，通常会使用社交关系来提高推荐质量。大多数现有的社交推荐模型利用成对关系来挖掘潜在的用户偏好。但是，现实生活中用户之间的交互非常复杂，并且用户关系可能是高阶的。Hypergraph提供了一种自然的方式来建模复杂的高阶关系，而其改善社会推荐的潜力尚未得到充分挖掘。而本文填补了这一空白，并提出了一种多通道超图卷积网络，通过利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都对超图进行编码，该超图通过超图卷积来描述常见的高阶用户关系模式。同时该超图通过汇总多个渠道学习到的嵌入信息，获得全面的用户表示形式来生成推荐结果。但是，聚合操作也可能会掩盖不同类型的高阶连接信息的固有特性。为了弥补聚集的损失，本文将自我监督学习集成到超图卷积网络的训练中，通过分层互信息最大化重新获得连通性信息。多个实际数据集上的实验结果表明，所提出的模型优于SOTA方法，并且消融研究验证了多通道设置和自我监督任务的有效性。可通过此https URL获得本文模型的实现。
论文： https://arxiv.org/abs/2101.06448
代码： https://github.com/Coder-Yu/RecQ
2. HGCF: Hyperbolic Graph Convolution Networks for Collaborative Filtering
作者：Jianing Sun，Zhaoyue Cheng， Saba Zuberi，Felipe Pérez， Maksims Volkovs
摘要：双曲空间提供了丰富的设置来学习具有优越性能的嵌入向量，这些嵌入向量已在计算机视觉，自然语言处理和计算生物学等领域得到利用。近来，学习推荐设置中的用户和项目的鲁棒表示的几种双曲线方法被提出。但是，这些方法无法捕获推荐域中通常存在的更高级别的关系。另一方面，图卷积神经网络（GCN）擅长通过将多个级别的聚合信息应用于局部表示从而捕获更高阶的信息。本文通过提出用于协作过滤的双曲线GCN模型，用新颖的方式组合了这些框架。本文证明了该模型可以有效地学习到边距排名损失，并证明了双曲空间在等级边距设置下具有较好的特性。在测试时，该模型中的推论是使用双曲线距离来完成的，该距离保持了学习空间的结构。本文对三个公共基准进行了广泛的实证分析，并与大量基准进行了比较。结果表示本文的方法取得了极具竞争力的结果，并优于包括欧几里得 GCN 在内的领先基线。本文进一步研究了所学双曲线嵌入的性质，并表明它们为数据提供了有意义的见解。
论文： https://www.cs.toronto.edu/~mvolkovs/www2021_hgcf.pdf
代码： https://github.com/layer6ai-labs/HGCF
3. Graph Embedding for Recommendation against Attribute Inference Attacks
作者：Shijie Zhang, Hongzhi Yin, Tong Chen, Zi Huang, Lizhen Cui, Xiangliang Zhang
摘要：近年来，推荐系统在帮助用户确定商品的个人喜好方面起着举足轻重的作用。由于用户项目交互可以自然地被建模成图结构化数据，因此图卷积网络（GCN）的变体已被称为最新推荐者中公认的基础。由于敏感用户配置文件数据的广泛使用，现有的推荐范例可能会使用户隐私权受到威胁，基于GCN的推荐者也不例外。除了泄漏原始用户数据外，当前推荐者在推理攻击下的脆弱性还为恶意攻击者提供了后门，可以通过他们的行为足迹和推荐结果来估计用户的私有属性。但是，很少有人注意并开发出能够防御此类属性推断攻击的推荐器系统，并且现有工作通过牺牲相当大的推荐精度或仅覆盖特定的攻击模型或受保护的信息来实现抗攻击性。本文提出了GERAI，这是一种新颖的差分私有图卷积网络，可以解决这些局限性。具体来说，GERAI将图微卷积网络的推荐功能绑定在差分隐私中的信息摄动机制。此外，基于本地差分隐私和功能机制，本文创新地设计了一个双阶段加密范例，以同时对用户的敏感特征和模型优化过程实施隐私保证。大量的实验显示了GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。
论文： https://arxiv.org/abs/2101.12549
4. Drug Package Recommendation via Interaction-aware Graph Induction
作者：Zhi Zheng, Chao Wang, Tong Xu, Dazhong Shen, Penggang Qin, Baoxing Huai, Tongzhu Liu, Enhong Chen
摘要：近年来，大量电子病历（EMR）迅速积累，这极大地支持了诸如药物推荐之类的智能医疗服务。然而，现有技术主要遵循协同过滤等传统推荐策略，将单个药物视为相互独立，而药物之间的潜在相互作用，例如协同或拮抗作用，在很大程度上被忽略了。为此，在本文中，本文的目标是在考虑药物内部的相互作用影响的情况下，开发一种新的推荐药物包装范例，其中相互作用可能会受到患者状况的影响。具体来说，本文首先设计一种基于神经协作过滤的预训练方法，以获得患者和药物的初始嵌入。然后，将基于病历和领域知识来初始化药物相互作用图。按照这一思路，本文提出了一个新的药品包装推荐（DPR）框架，该框架具有两个变体，分别是加权图上的DPR（DPR-WG）和属性图上的DPR（DPR-AG），以解决该问题，其中每个交互作用都将被称为有符号权重或属性向量。详细来说，掩模层用于捕获患者状况的影响，图神经网络（GNN）被用于最终的图诱导任务以嵌入包装。在一流医院的真实数据集上进行的大量实验证明，与几种竞争性基准方法相比，本文的DPR框架是有效的，并且进一步支持了具有足够性能的启发式研究，用于药物包装生成任务。
论文： https://arxiv.org/abs/2102.03577
5. DGCN: Diversified Recommendation with Graph Convolutional
作者：Yu Zheng, Chen Gao, Liang Chen, Depeng Jin, Yong Li
摘要：这些年来，人们一直在致力于提高推荐系统的准确性或相关性。多样性是衡量推荐项目之间差异的关键因素，因此很少受到审查。与用户满意度直接相关，在生成候选项目后通常会考虑多样化。但是，这种分散化和候选生成的分离设计使整个系统次优。本文旨在借助图卷积网络（GCN）将多样化推向上游候选者生成阶段。尽管基于GCN的推荐算法在建模复杂的协作过滤效果以提高推荐准确性方面显示出强大的功能，但在这些高级工作中忽略了多样性变化。本文提出在GCN之上执行重新平衡的邻居结点，类别增强的负采样和对抗性学习。本文对现实世界的数据集进行了广泛的实验。实验结果证明了本文提出的多元化方法的有效性。进一步的消融研究证实，该方法可以大大缓解精度-多样性难题。
1. Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
2. HGCF: Hyperbolic Graph Convolution Networks for Collaborative Filtering
3. Graph Embedding for Recommendation against Attribute Inference Attacks
4. Drug Package Recommendation via Interaction-aware Graph Induction
5. DGCN: Diversified Recommendation with Graph Convolutional
相关内容
微信扫码咨询专知VIP会员