【图神经网络+推荐系统】论文列表

 

1. Graph Convolutional Matrix Completion. 2017. paper

    ​​​​​​​内容：从图上的链接预测的角度考虑推荐系统的矩阵完成。 互动数据（例如电影收视率）可以由两部分用户项目图表示，带有标记的边缘表示观察到的收视率。 基于图结构化数据的深度学习的最新进展，提出了一种基于在双向交互图上传递的可区分消息的图自动编码器框架。 模型显示了在标准协作过滤基准上的竞争表现。 在可以使用免费功能信息或结构化数据（例如社交网络）的环境中，框架要优于最新的方法。

   Rianne van den Berg, Thomas N. Kipf, Max Welling.​​​​​​​

2. Binarized Collaborative Filtering with Distilling Graph Convolutional Networks. IJCAI 2019. paper

    ​​​​​​​​​​​​​​内容：前K个项目推荐的效率基于隐式反馈的信息对于现实世界中的推荐系统至关重要，但由于缺少否定样本且缺乏建议，这非常具有挑战性大量候选项目。解决挑战，首先介绍一个改进的图考虑了高阶特征交互的卷积网络（GCN）模型。然后，将来自GCN的排名信息提取到二值化协作过滤，二进制表示以提高效率，在线推荐。但是，二进制代码不仅难以优化，而且可能在训练过程中导致信息丢失。因此，提出了一种新颖的框架，将二进制约束优化问题转换为具有随机惩罚的等效连续优化问题。然后，许多流行的求解器（例如SGD）可以轻松地优化二值化协作过滤模型。最后，在三个真实的数据集上对提出的算法进行了评估，并显示了优于竞争基准。 

   Haoyu Wang, Defu Lian, Yong Ge.

3. Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems. KDD 2019. paper

   内容：知识图捕获结构化的信息和关系在一组实体或项目之间。这样的知识图代表了一种有吸引力的信息源，可以帮助改善推荐系统。但是，该领域中的现有方法依赖于手动特征工程，因此不允许端到端培训。在这里，我们提出了带有标签平滑度正则化（KGNN-LS）的知识感知图神经网络，用于提供更好的建议。从概念上讲，我们的方法是通过首先应用可训练的识别重要知识图关系的功能给定用户。这样我们就可以转换知识图进入用户特定的加权图，然后将图神经网络以计算个性化项目嵌入。为了提供更好的归纳偏差，我们依靠标签平滑度假设，即假设知识图中的相邻项目可能具有相似的用户相关标签/分数。标签平滑度提供对边缘权重进行正则化，我们证明它等同于图上的标签传播方案。我们还开发了显示出强大的可扩展性的高效实现到知识图的大小。四个数据集上的实验显示我们的方法优于最先进的基准。 KGNN-LS在以下情况下的冷启动情况下也能获得出色的性能：用户与项目的交互是稀疏的。 

   Hongwei Wang, Fuzheng Zhang, Mengdi Zhang, Jure Leskovec, Miao Zhao, Wenjie Li, Zhongyuan Wang.

4. Exact-K Recommendation via Maximal Clique Optimization. KDD 2019. paper

   内容：本文针对一个新颖但实用的推荐问题，称为精确K推荐。有别于传统top-K推荐，因为它更侧重于（约束）组合优化，它将优化以推荐整体一组称为卡片的K个项目，而不是排名优化假设“更好”的项目应放在首位。从而我们采取第一步给出正式的问题定义，并将其创新地简化为基于图的最大派系优化。为了解决这个特定的组合优化问题，是NP难点，我们建议使用图注意力网络（GAttN）多头自注意力编码器和具有注意力的解码器机制。它可以端到端地学习联合的分布K项并生成最佳卡片而不是对单个卡片进行排名预测得分的项目。然后，我们建议结合示范进行强化学习（RLfD）行为克隆和强化学习，使其足够有效地训练模型。在三个方面进行了广泛的实验数据集证明了我们提出的GAttN的有效性RLfD方法，其相对性能优于多个强基准命中率和命中率平均提高7.7％和4.7％并实现了最新的（SOTA）性能确切的K推荐问题。 

   Yu Gong, Yu Zhu, Lu Duan, Qingwen Liu, Ziyu Guan, Fei Sun, Wenwu Ou, Kenny Q. Zhu.

5. KGAT: Knowledge Graph Attention Network for Recommendation. KDD 2019. paper

   内容：为了提供更准确，多样且可解释的建议，超越建模用户项目交互是强制性的并考虑辅助信息。传统方法如分解机（FM）将其视为有监督的学习问题，假设每次互动都是一个独立的实例，附带信息已编码。由于关系的忽视在实例或项目之间（例如，电影的导演也是另一部电影的演员），这些方法不足以提炼出用户集体行为的协作信号。在这项工作中，我们研究了知识图的效用（KG），从而打破了独立互动的假设通过将项目与其属性链接。我们认为，在这样的KG和用户项目图的混合结构，高阶关系—连接具有一个或多个链接属性的两个项目-是成功推荐的必要因素。我们提出了一种称为知识图注意力网络的新方法（KGAT）明确建模高阶连通性以端到端的方式在KG中使用。它递归传播来自节点邻居的嵌入（可以是用户，物品，或属性）以完善节点的嵌入，并采用区分重要性的注意机制邻居。我们的KGAT在概念上对现有产品有利基于KG的推荐方法，通过提取路径或隐式建模来利用高阶关系与正则化。三个公共基准的实证结果表明KGAT明显优于最新方法就像神经FM [11]和RippleNet [29]。进一步研究证实嵌入传播对高阶关系的功效注意力带来的建模和可解释性优势机制。我们在https:// github上发布代码和数据集。com / xiangwang1223 / knowledge_graph_attention_network。 

   Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu, Tat-Seng Chua.

6. Knowledge Graph Convolutional Networks for Recommender Systems. WWW 2019. paper

   内容：为缓解协作过滤的稀疏性和冷启动问题推荐系统，研究人员和工程师通常收集用户和物品的属性，并设计精致的算法利用这些附加信息。通常，这些属性是不是孤立的而是相互连接的，形成一个知识图（KG）。在本文中，我们提出了知识图卷积网络（KGCN），一种端到端框架，通过在KG上挖掘它们之间的相关属性，可以有效地捕获项目之间的相关性。自动发现高阶KG的结构信息和语义信息，我们以KG中每个实体的邻居为样本进行接收字段，然后在计算给定实体的表示形式时将邻域信息与偏差相结合。感受野可以扩展到多跳以模拟高阶接近度信息并捕获用户的潜在长途利益。此外，我们以小批量方式实施了拟议的KGCN，这使我们的模型可以在大型数据集和KG上运行。我们将建议的模型应用于有关电影，书籍，和音乐推荐，实验结果证明我们的方法优于强推荐者基准。

   Hongwei Wang, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo.

7. Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems. WWW 2019. paper

   内容： 社交推荐利用社交信息来解决数据传统协作过滤中的稀疏性和冷启动问题方法。但是，大多数现有模型都假设社会影响来自朋友用户的信息是静态的并且处于恒定权重的形式下或固定约束。为了放松这个强有力的假设，在本文中，我们提出了双图联盟网络来进行协作学习两种社交效果的表示形式，其中一个是建模的由用户指定的权重，而另一个则由动态和上下文感知权重。我们还扩展了用户领域中的社会效应到项目领域，因此信息可以利用相关项目中的数据来进一步缓解数据稀疏问题。此外，考虑到不同的社会两个域中的实体可以相互影响并共同参与由于用户对商品的偏好，我们提出了一项基于政策的新政策基于上下文多臂匪的融合策略来权衡各种社会影响的相互作用。在一个基准上进行实验数据集和商业数据集验证了我们模型中关键组件的有效性。结果表明，我们的模型可以实现与其他最新的社交推荐方法。

   Qitian Wu, Hengrui Zhang, Xiaofeng Gao, Peng He, Paul Weng, Han Gao, Guihai Chen.

8. Graph Neural Networks for Social Recommendation. WWW 2019. paper

   内容：近年来，图神经网络（GNN）可以自然地整合节点信息和拓扑结构，已经证明在图上学习方面很强大数据。由于社交推荐器中的数据，GNN的这些优势为推进社交推荐提供了巨大潜力系统可以表示为用户-用户社交图和用户项目图形;学习用户和物品的潜在因素是关键。但是，基于GNN构建社交推荐系统面临挑战。例如，用户项图对两种互动及其相关意见；社会关系有异质性优势用户涉及两个图（例如useruser社交图和user-item图）。解决这三个问题同时提出上述挑战，在本文中，我们介绍用于社交的新型图神经网络框架（GraphRec）建议。特别是，我们提供了一种原则性的方法共同捕获用户项目图中的互动和观点并提出框架GraphRec，该框架连贯地建模两个图和异构强度。广泛的实验在两个现实世界的数据集上证明了提议的框架GraphRec。 

   Wenqi Fan, Yao Ma, Qing Li, Yuan He, Eric Zhao, Jiliang Tang, Dawei Yin.