Social Recommendation with Implicit Social Influence

Social Recommendation with Implicit Social Influence

摘要

社交影响对社交推荐至关重要。目前基于影响的社交推荐关注在对观察到的社交联系的显式影响。然而，在实际情况下，隐性的社交影响也会以一种未被观察到的方式影响用户的偏好。在这项工作中，我们关注两种隐性影响：未观察到的人际关系的局部隐性影响，以及项目传播给用户的全局隐性影响。我们通过分别建模两种隐性影响，改进了最先进的基于GNN的社交推荐方法。局部隐性影响是通过预测未观察到的社交关系来实现的。全局隐性影响是通过定义每个项目的全局受欢迎程度和个性化项目对每个用户的受欢迎程度影响来实现的。在GCN网络中，整合显式和隐式影响，学习用户和项目在社交推荐中的社交嵌入。在Yelp上的实验结果初步证明了该模型的有效性。

介绍

社交推荐利用社交资源，如人际关系和影响，作为额外的信息来提高推荐的表现。社会同质化理论认为，有社会联系的人会相互影响，导致相似的兴趣。这个理论引起了基于影响的社交推荐的研究。在这个方向上，社交推荐系统使用用户的社交矩阵作为附信息来增强每个用户的嵌入学习，或者通过社交邻居来标准化用户的嵌入学习。这些方法考虑了每个用户的一阶邻居的影响，缓解了协同过滤模型的数据稀疏性问题。

然而，在社交网络中，用户不仅会受到一阶邻居的影响，还会受到高阶邻居的影响。近年来，人们研究了高阶邻居的影响。例如，DiffNet提出了一种具有分层影响传播的扩散网络模型来模拟社交推荐中的高阶递归社交扩散。DiffNet++通过根据连接用户社交网络和用户-项目兴趣网络来改进DiffNet。这样，就可以联合建模更高阶的社交影响和兴趣扩散，并进一步提高推荐的性能。

给定一个观察到的社交网络，目前的社会推荐方法已经模拟了用户之间的高阶显式影响，但忽略了隐式影响。最近的研究提出了隐式影响的模型，与此不同，我们将隐式影响定义为在给定的社交网络中没有观察到扩散路径的影响。此外，我们区分了两种隐性影响：局部隐性影响和全局隐性影响。局部隐性影响发生在两个未被观察到的社交关系的人之间。例如，他们有未知的离线关系，而不是观察到的在线联系，或者他们是不包含在当前数据的社交媒体上的朋友。全局隐式影响是通过不依赖于人际关系而传播社交影响的。例如，流行物品的影响发生在媒体广告中。

在本文中，我们提出了DiffNetLG（具有局部和全局隐性影响的传播神经网络）：这个模型统一了显性和隐性社交影响来建模社交推荐。该模型结合了社交网络和兴趣网络。在组合网络中，局部隐性影响是通过预测未观察到的社交 关系来实现的，而全局隐性影响是通过定义每个项目的全局流行度来建模的。最后，在组合网络上，将显式影响和两种隐式社交影响联合建模在图卷积网络上，实现改进了用户和项目的嵌入表示。

总之，我们的主要贡献如下：
（1）我们提出在社交推荐中建模隐性的社交影响。局部和全局隐性社交影响分别被定义及建模，除了观察到的社交网络外，不需要额外的信息。
（2）改进了最先进的社交推荐图卷积网络模型，设计了一个连接社交网络和兴趣网络的统一模型，其中集成隐性和显性影响来学习用户和项目的嵌入。
（3）在真实数据集上的大量实验结果证明了所提模型的有效性。与表现最好的基线相比，在Top-10推荐上，HR指标提高了超过4%，NDCG指标提高了6%。

2、相关工作

社交影响对社会推荐的研究至关重要，根据社交影响理论，当信息在社交网络中传播时，网络中的用户就会受到社交关系的影响，导致社交邻居之间产生相似的偏好。在早期的研究中，社交影响往往以社会推荐中的社交正规化为代表。例如，TrustSVD将社交邻居的偏好作为对当前用户的辅助反馈，并在SVD++模型的基础上增加了社交邻居的信任影响。同样，SR通过引入因子向量来学习用户的社交矩阵，SocialMF认为用户的表示受朋友的影响，

除了正则化外，邻居的社交影响也可以在用户和项目的社交嵌入中表示，特别是使用图神经网络。例如，基于GCN的方法被证明比正则化更有效。在这些方法中，早期的研究集中在一阶邻居的建模影响上，如GraphRec。最近的研究探索了高阶影响，例如，PinSage通过结合随机游走和图卷积来学习节点嵌入，NGCF确定了消息传播与中心节点之间的关联，DiffNet根据用户的社交关系和历史行为模拟用户偏好。

除了显式影响外，还研究了不同的隐式影响。在社交正规化中引入了隐式影响。SoInp从信息传播的角度建模其中的隐式影响，这是从对同一项目的评分中推断出来的。通过在异构网络中元路径的嵌入来捕获隐式用户。

虽然基于GNN的社交推荐已经很好地模拟了显式的社交影响，但对未观察到的社交联系的隐性影响仍然是一个问题。在这项工作中，我们通过从局部和全局的角度建模隐式的社交影响，改进了最先进的基于GNN的社交推荐。

3 方法

3.1 问题陈述和总体框架

在社交推荐中，我们有用户集