【WWW2021】基于双侧深度上下文调制的社会化推荐系统

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。

尽管已有方法已经取得了很多性能上的提升，但是它们并没有充分地利用社交网络信息。首先，在对用户偏好进行建模时，一些方法是直接聚合好友信息，而忽略了特定的推荐上下文下的好友信息和用户兴趣（用户历史行为中和候选商品相关的信息），这会导致模型从好友信息中聚合出很多噪音。而一些其他方法会将当前候选商品视为上下文，来建模上下文感知的好友信息及用户兴趣（如图1左上所示）。但是，只考虑候选商品的浅层上下文会导致提取出的相关信息存在一定的偏差，即只能获得有限的好友信息和用户兴趣。实际上，在用户和好友的历史行为中，不仅是与当前候选商品相关的信息可以反映用户的兴趣，考虑与候选项相似商品的相关信息能够挖掘出更丰富的用户潜在兴趣（如图1左下所示）。

图1: 深层上下文感知的双侧调制

此外，商品的交互历史中与目标用户相关的信息也反映了商品对用户的吸引力。很少有社会化推荐工作[7]根据目标用户来建模商品吸引力。而已有的工作只考虑目标用户作为浅层上下文，也会导致建模到有限的项目吸引力（如图1右上所示）。实际上，如果该商品的历史消费者是目标用户的好友，或者与目标用户有类似的消费习惯，则该商品可能对目标用户更具吸引力（如图1右下所示）。因此，通过考虑用户之间的社交关系和相似关系将有助于从商品的交互历史中建模出更丰富的吸引力信息。

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。