文献阅读总结（4）Graph convolution machine for context-aware recommender system

上下文感知的图卷积推荐系统

推荐方面的最新进展表明，可以通过在用户-项目交互图上执行图卷积来学习更好的用户和项目表示，然而，该方法在协同过滤(CF)的场景中有一定的局限性，在这种场景中交互上下文是不可用的。

在这项工作中，我们将图卷积的优点扩展到上下文感知的推荐系统(CARS，它代表了一种可以处理各种信息的通用类型的模型)。我们提出了图卷积机(GCM)，这是一个端到端框架，由三个组件组成:编码器、图卷积(GC)层和解码器。

编码器将用户、项和上下文投射到嵌入向量中，这些向量被传递给GC层，GC层使用用户-项图上的上下文感知图卷积来优化用户和项嵌入。

解码器通过考虑用户、项目和上下文嵌入之间的交互，对精炼的嵌入进行消化，以输出预测分数。

1、Introduction

虽然CF提供了一种通用的推荐解决方案，但它在利用交互上下文的辅助信息方面仍然不足。在许多情况下，当前上下文可能对用户选择具有实质性影响。比如在餐厅推荐中，当前的时间和地点可以有效地过滤掉不合适的候选人;在电子商务中，最近会话中的点击行为提供了关于用户下一次购买的强烈信号。

总结现有的CARS模型，我们可以发现一个共同的缺点：它们遵循忽略数据实例之间的关系的标准监督学习方案。这可能会限制模型在捕捉CF效应方面的有效性，因为它需要同时考虑多个交互作用来识别CF模式。一个证据来自神经图协同过滤（NGCF）工作，其表明在预测模型中连接交互作用显著提高了CF的嵌入质量。

在本研究中，我们的目标是针对上述限制提出新的CARS模型。

首先，将CARS中的数据转换为一个属性化的user-item图ÿ