Graph Neural Networks für soziale Empfehlungen

In den letzten Jahren haben sich Graph Neural Networks (GNNs), die Knoteninformationen und topologische Strukturen natürlicherweise integrieren können, als sehr leistungsfähig bei der Verarbeitung von Graphendaten erwiesen. Diese Vorteile von GNNs bieten großes Potenzial für soziale Empfehlungen, da Daten in sozialen Empfehlungssystemen sowohl als Benutzer-Benutzer-Sozialgraph als auch als Benutzer-Element-Graph dargestellt werden können; das Lernen latenter Faktoren von Benutzern und Elementen ist dabei entscheidend. Dennoch stellen die Erstellung von sozialen Empfehlungssystemen auf Basis von GNNs Herausforderungen dar. Zum Beispiel kodiert der Benutzer-Element-Graph sowohl Interaktionen als auch zugehörige Meinungen; soziale Beziehungen haben unterschiedliche Stärken; Benutzer sind in zwei Graphen involviert (z.B. den Benutzer-Benutzer-Sozialgraph und den Benutzer-Element-Graph). Um diese drei genannten Herausforderungen gleichzeitig zu bewältigen, präsentieren wir in dieser Arbeit ein neuartiges Graph Neural Network Framework (GraphRec) für soziale Empfehlungen. Insbesondere schlagen wir einen fundierten Ansatz vor, um Interaktionen und Meinungen im Benutzer-Element-Graph gemeinsam zu erfassen, und entwickeln das Framework GraphRec, das beide Graphen sowie ihre heterogenen Stärken kohärent modelliert. Ausführliche Experimente mit zwei realweltlichen Datensätzen zeigen die Effektivität des vorgeschlagenen Frameworks GraphRec. Unser Code ist unter \url{https://github.com/wenqifan03/GraphRec-WWW19} verfügbar.