■ 論文 | Item Silk Road: Recommending Items from Information Domains to Social Users

■ 連結 | http://www.paperweekly.site/papers/1885

■ 作者 | Xiang Wang / Xiangnan He / Liqiang Nie / Tat-Seng Chua

論文動機

線上平臺一般分為兩種，一種是資訊導向的，比如一些電商的網站，強調 user-item 的相互作用；另一種是社交導向的，比如推特等提供社交網路服務，有豐富的 user-user 連結。雖然這兩種 domain 是異構的，但是他們會共有一些使用者，稱為橋樑使用者（bridge users），通過他們我們可以進行跨域社交推薦，也就是在社交網路中的一些潛在使用者推薦資訊 domain 中的相關 items。 

當前大部分的 ­cross domain 的推薦方法都是對同構的域，而針對本文的 task，存在的困難有： 

• 資料集中橋樑使用者的不足 

• 在資訊域中的 attribute 充足，但是很少有人關注利用這些 attribute 來提高對社交網路中使用者的推薦結果 

本文提出了一種稱為 Neural Social Collaborative Ranking (NSCR) 的方法來利用資訊域中 user-item connection 和社交域中的 user-user connection。在資訊域，利用屬性增強對 user 和 item embedding 的效果，在社交域中，將橋樑使用者的 embedding 結果通過社交網路傳播給非橋樑使用者。

問題描述

在資訊域中，使用者集合 U1，專案集合 I，使用者給專案的打分資訊為矩陣 Y，關於使用者和專案的 attributes 分別為 Gu 和 Gi 表示；在社交域中，使用者集合 U2，社交關係為 S。兩個域的橋樑使用者為 U=U1∩U2。 

輸入：資訊域 {U1,I,Y,Gu,Gi}，社交域 {S,U2}，U1∩U2 非空。 

輸出：為社交域中每一個使用者 u' 確定一個對 items 的排名函式。

NSCR Solution

矩陣分解模型（MF）是推薦系統重要的一個模型，這裡先引入一個觀點，即 CF 模型可以看做是一個淺層神經網路模型。

如下圖所示，我們輸入使用者\專案 ID 的 one-hot 的表示，然後將其對映到一個 embedding 層，將兩者 embedding 向量進行逐元素相乘，得到向量 h（如果直接將 h 對映到一個打分值的話，那麼這個模型就是 MF 模型）。

本文認為，MF 的表現受限於使用內積來捕捉 user-item 互動作用；同樣，在常規的對 attributes 的利用上，單純的讓使用者 embedding 和 attribute embedding 相加，也不足以捕捉 user、item、attribute 之間的聯絡。

由於 task 是為社交網路中的使用者進行跨域推薦，本文使用了基於表示學習（embedding）的方法，認為問題的關鍵在於如何將 item 和來自社交網路的使用者對映到相同的 embedding 空間。

由於兩個域的使用者只有少量的重合，本文給出的解決方案是分開學習兩個域的 embedding，而強迫兩個學習過程共享相同橋樑使用者的 embedding。優化目標為，等號右邊分別是兩個域各自的目標函式。

1. Learning of Information Domain

學習 cf 模型的引數，有兩種目標函式：point-wise 和 pair-wise 目標函式，前者最小化預測分值和真實分值之間的損失，後者本質上是負取樣，適合於本文中使用隱式反饋，同時要得到每個使用者的個性化 item 排序的任務。

首先取三元組 (u,i,j)，其中 u 是一個使用者，i 是該使用者評分過的專案 (yui = 1)，j 是使用者沒有評分過的專案 (yuj = 0)。目標函式想要學到 (i,j) 的正確順序：

其中 yuij = yui – yuj，^yuij = ^yui – ^yuj，其中 ^yui 是預測打分值。 

確定目標函式之後，我們來看預測值 ^yui 是通過怎樣的模型得到的。本文在 Neural Collaborative Filtering 模型的基礎上，進一步加入了 attribute 的資訊，結構如下圖所示：

輸入層：輸入四種資訊的 id，用 one-hot 向量表示。

embedding：將四種資訊分別進行 embedding。

pooling 層：由於 attributes 的數量不確定，embedding 後的向量集大小不確定，為了給後面的 nn 一個定長的資訊，進行 pooling 操作。

由於最大\平均 pooling 不能捕捉使用者和各 attributes 之間的互動作用，所以設計了一種 pairwise pooling 的方法：

對專案也做類似處理，最後將 pu⊙qi 的結果作為後面 MLP 的輸入，MLP 輸出預測結果。

2. Learning of Social Domain 

在社交域中，本文使用了半監督學習的方法將資訊域中使用者 embedding 結果從橋樑使用者傳播到非橋樑使用者。這基於這樣的一個假設：如果兩個使用者有很強的社交關係，那麼他們可能會有相似的偏好，從而在 latent space 有相似的特徵表示。

學習包括兩部分： 

平滑約束（smoothness constrain）：定義了結構一致性損失，希望相鄰的使用者的表示相似；su',u'' 是兩個使用者社交關係的強度，du' 是節點 u' 的出度，稱為平滑約束是因為為每個使用者的特徵表示除以了出度的開方，進行了平滑，如果沒有這個處理，那麼社交關係多的活躍使用者將會產生更有效的傳播。

擬合約束：為了使兩個域的 latent space 保持一致，迫使橋樑使用者的兩種表示接近，也就是擬合損失：

訓練完成後，將 pu' 輸入資訊域中的預測框架，得到預測 item 的排名。

實驗結果

資訊域資料集來自 trip.com，同時找到其中一些使用者相關的 Facebook 和 Twitter 資訊。評估指標為個性化排序的指標 AUC 和 Recall@k。

由於非橋樑使用者沒有評分資訊，無法驗證預測是否正確，所以使用了一部分的橋樑使用者作為測試集。可以看到預測結果優於 state of art。

評價

不同於傳統推薦方法將社交資訊作為使用者的附加資訊，在同一個域預測使用者偏好，本文是在資訊域中學習了使用者偏好，然後將其沿社交網路進行了傳播，使原本不在該域的使用者也可以學到他的偏好資訊，角度新穎。

關於異構的推薦，是一個很有意思的 task，值得去 follow。