跨域社交推薦：如何透過用戶社交信息「猜你喜歡」？

來自專欄 PaperWeekly

在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背後的探索和思考。 在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。 點擊即刻加入社區，查看更多最新論文推薦。

本期推薦的論文筆記來自 PaperWeekly 社區用戶 @spider。不同於傳統推薦方法將社交信息作為用戶的附加信息，在同一個域預測用戶偏好。本文選擇在信息域中學慣用戶偏好，然後將其沿社交網路進行傳播，使原本不在該域的用戶也可以學到他的偏好信息，角度新穎。

關於作者：黃若孜，復旦大學軟體學院碩士生，研究方向為推薦系統。

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

鏈接 | http://www.paperweekly.site/papers/1885

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

論文動機

在線平台一般分為兩種，一種是信息導向的，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 鏈接。雖然這兩種 domain 是異構的，但是他們會共有一些用戶，稱為橋樑用戶（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用戶推薦信息 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：

• 數據集中橋樑用戶的不足
• 在信息域中的 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用戶的推薦結果

本文提出了一種稱為 Neural Social Collaborative Ranking (NSCR) 的方法來利用信息域中 user-item connection 和社交域中的 user-user connection。在信息域，利用屬性增強對 user 和 item embedding 的效果，在社交域中，將橋樑用戶的 embedding 結果通過社交網路傳播給非橋樑用戶。

問題描述

在信息域中，用戶集合 U1，項目集合 I，用戶給項目的打分信息為矩陣 Y，關於用戶和項目的 attributes 分別為 Gu 和 Gi 表示；在社交域中，用戶集合 U2，社交關係為 S。兩個域的橋樑用戶為 U=U1∩U2。

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

輸出：為社交域中每一個用戶 u 確定一個對 items 的排名函數。

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，我們輸入用戶項目 ID 的 one-hot 的表示，然後將其映射到一個 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 映射到一個打分值的話，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 交互作用；同樣，在常規的對 attributes 的利用上，單純的讓用戶 embedding 和 attribute embedding 相加，也不足以捕捉 user、item、attribute 之間的聯繫。

由於 task 是為社交網路中的用戶進行跨域推薦，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 和來自社交網路的用戶映射到相同的 embedding 空間。

由於兩個域的用戶只有少量的重合，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用戶的 embedding。優化目標為：

等號右邊分別是兩個域各自的目標函數。

1. Learning of Information Domain

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

首先取三元組 (u,i,j)，其中 u 是一個用戶，i 是該用戶評分過的項目 (yui = 1)，j 是用戶沒有評分過的項目 (yuj = 0)。目標函數想要學到 (i,j) 的正確順序：

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

確定目標函數之後，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 的信息，結構如下圖所示：

輸入層：輸入四種信息的 id，用 one-hot 向量表示。

embedding：將四種信息分別進行 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 一個定長的信息，進行 pooling 操作。

由於最大平均 pooling 不能捕捉用戶和各 attributes 之間的交互作用，所以設計了一種 pairwise pooling 的方法：

對項目也做類似處理，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信息域中用戶 embedding 結果從橋樑用戶傳播到非橋樑用戶。這基於這樣的一個假設：如果兩個用戶有很強的社交關係，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，希望相鄰的用戶的表示相似；su,u 是兩個用戶社交關係的強度，du 是節點 u 的出度，稱為平滑約束是因為為每個用戶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用戶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，迫使橋樑用戶的兩種表示接近，也就是擬合損失：

訓練完成後，將 pu 輸入信息域中的預測框架，得到預測 item 的排名。

實驗結果

信息域數據集來自 http://trip.com，同時找到其中一些用戶相關的 Facebook 和 Twitter 信息。評估指標為個性化排序的指標 AUC 和 Recall@k。

由於非橋樑用戶沒有評分信息，無法驗證預測是否正確，所以使用了一部分的橋樑用戶作為測試集。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信息作為用戶的附加信息，在同一個域預測用戶偏好，本文是在信息域中學習了用戶偏好，然後將其沿社交網路進行了傳播，使原本不在該域的用戶也可以學到他的偏好信息，角度新穎。關於異構的推薦，是一個很有意思的 task，值得去 follow。

本文由 AI 學術社區 PaperWeekly 精選推薦，社區目前已覆蓋自然語言處理、計算機視覺、人工智慧、機器學習、數據挖掘和信息檢索等研究方向，點擊即刻加入社區！

#作 者 招 募#

讓你的文字被很多很多人看到，喜歡我們不如加入我們

關於PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平台。如果你研究或從事 AI 領域，歡迎在公眾號後台點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

微信公眾號：PaperWeekly

新浪微博：@PaperWeekly