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，其中user和item的边信息表示为节点特征，上下文表示为边特征（图1）.

其次，我们提出了一个端到端模型，该模型由三个组件组成：编码器、图形卷积（GC）层和解码器（图2)。

编码器将user、item和Contexts投影到嵌入向量中;

然后GC层利用交互作用通过执行图卷积来细化嵌入;

最后，解码器通过FM对嵌入之间的相互作用进行建模以输出预测得分。

总结了这项工作的贡献如下：

1、强调了主流监督学习方案的局限性以及在CARS预测模型中利用数据实例之间的关系的必要性。

2、提出了一种新的CARS模型--图卷积机（Graph Convolution Machine，GCM），它综合了图卷积网络和因式分解机的优点。

3、我们在三个真实数据集上进行了大量的实验，实验结果证明了GCM的有效性和效率。

2、Related work

2.1 Context-aware recommendation

上下文感知推荐系统（CARS）已经被广泛研究并取得了巨大成功。学习信息表示，基于用户项交互（例如，点击、购买）和上下文特征（例如，位置、时间、最后购买），已经成为CARS研究中心主题。

尽管有效，我们认为目前的工作将用户交互视为孤立的数据实例，而放弃了它们的关系（例如，在同一时间和位置发生的用户行为很可能反映用户偏好）。这将容易导致次优表示并限制性能。因此，本研究旨在探讨使用者行为之间的关系。

2.2 Graph neural networks for recommendation

3 Problem definition

CARS中四种数据：user，item，interactions，context，这里上下文信息定义为交互信息。

4 Graph convolution machine (GCM)

(u,i,c)表示用户u和项目i通过上下文c进行了交互，记为yuic = 1

输入：u，i，c

输出：预测评分，f：u，i，c-->R