作者简介

  雷景生，博士，教授，硕士生导师，信息与电子工程学院院长。大数据技术学科带头人，中国人工智能学会机器学习专业委员会常委，中国计算机学会数据库专业委员会委员，ACM上海分会学术委员会委员。研究团队承担国家自然科学基金项目12项，上海市科委和教委重点项目10项，电力企业合作项目8项。主要研究方向：电力大数据、机器学习、数据挖掘。

论文摘要

  在推荐系统中，用户对于项目的兴趣是动态变化的，且会受到自身历史行为以及朋友行为等多种因素的影响。而如何对用户的动态兴趣以及社交关系进行共同建模，一直是推荐算法的一个挑战。通过将用户的行为分割为会话序列，并建模为全局图来探索用户的动态兴趣。之后根据用户的社交关系构建社交关系图，再通过图注意力网络捕获用户社交关系的影响，动态确定每个朋友的影响力，并将用户的动态兴趣与朋友的社交影响结合以得到最终的推荐结果。算法在Douban、Delicious和Yelp数据集上进行了验证，相较最优的基线模型，算法在Douban数据集各项指标上提高超过6个百分点，在Delicious和Yelp数据集各项指标上提高超过3个百分点，证明了算法的有效性。

关键词

会话推荐；图神经网络；注意力机制；社交信息；个性化偏好

原文节选

  在线社交平台的发展和普及给人们生活、工作带来了极大的便利，但与此同时人们不得不面对平台内容激增导致的信息过载现象。推荐系统可以有效地解决用户面临的信息过载问题。但传统的协同过滤算法仅使用用户-项目的评分矩阵进行推荐，存在严重的数据稀疏问题，导致推荐效果不佳。针对上述问题，人们通过引入用户的社交关系信息来缓解数据稀疏性的问题。然而，用户的兴趣偏好会随着时间的偏移而动态变化，并随着用户历史互动项目的变化而变化。这导致如果只是单纯地引入社交信息，可能会使推荐性能变差。

       首先，用户的兴趣本质上是动态的。用户可能对体育项目感兴趣一段时间，然后对音乐项目产生兴趣。第二，用户会受到其社交关系的影响。例如，用户在寻找电影时可能会被他的朋友喜欢什么而影响。第三，用户的社交关系是动态的。例如，用户在搜索喜剧电影时可能会信任热爱喜剧电影的朋友的推荐，而当他搜索动作片的时候则会受到另一部分朋友的影响。这说明想要精准地捕捉用户的兴趣，不仅需要考虑用户的当前兴趣，还要动态地结合用户的社交关系的影响。

  目前的大部分推荐模型要么是针对用户的动态兴趣进行建模，要么是针对用户的社交关系进行建模。忽略这两种因素之间可能存在的互相影响。为了对这种社交关系和兴趣动态性的复合效应进行建模，本文将所有用户的行为序列分割成子序列，表示为会话，并利用会话推荐方法来研究会话序列中复杂的项目转换关系，之后利用图注意力网络。

  动态结合用户的社交关系，以得到更准确的推荐结果。

在会话推荐领域，由于图神经网络(GNN)在建模复杂项目转换关系上的优异性能，一些基于GNN的会话推荐模型被提出。虽然上述方法已经取得了较好的结果，但是其依旧缺乏对用户序列之间的动态协作信号的明确建模。

  因此，本文提出了融合社交信息的多图神经网络会话推荐模型(session-based recommendation based on multi-graph neural network incorporating social infor- mation, MNNS)，通过将用户会话序列建模为全局图来探索用户与项目之间的互动行为，捕捉用户的动态兴趣。之后通过图注意力网络捕获社交关系的影响，动态确定每个朋友的影响力。本模型主要分三个部分：动态兴趣提取模块、社交信息融合模块以及预测模块。其中，动态兴趣提取模块首先利用所有会话构建用户-项目全局图，并在边上标注时间和顺序信息。之后通过子图采样策略动态地提取包含用户序列和相关序列的子图。同时，为了从子图中编码用户的动态兴趣偏好，设计了动态兴趣提取器捕获用户的长短期兴趣表示。社交信息融合模块根据用户的兴趣表示，使用图注意力网络动态地捕获朋友的影响。预测模块通过聚合动态兴趣和社会关系进行评分预测。在三个数据集上的实验结果表明本文的方法优于其他同类的推荐方法，包括GraphRec、DGRec等。