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

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

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

论文动机

在线平台一般分为两种，一种是信息导向的，比如一些电商的网站，强调 user-item 的相互作用；另一种是社交导向的，比如推特等提供社交网络服务，有丰富的 user-user 链接。虽然这两种 domain 是异构的，但是他们会共有一些用户，称为桥梁用户（bridge users），通过他们我们可以进行跨域社交推荐，也就是在社交网络中的一些潜在用户推荐信息 domain 中的相关 items。 

当前大部分的 ­cross domain 的推荐方法都是对同构的域，而针对本文的 task，存在的困难有： 

• 数据集中桥梁用户的不足 

• 在信息域中的 attribute 充足，但是很少有人关注利用这些 attribute 来提高对社交网络中用户的推荐结果 

本文提出了一种称为 Neural Social Collaborative Ranking (NSCR) 的方法来利用信息域中 user-item connection 和社交域中的 user-user connection。在信息域，利用属性增强对 user 和 item embedding 的效果，在社交域中，将桥梁用户的 embedding 结果通过社交网络传播给非桥梁用户。

问题描述

在信息域中，用户集合 U1，项目集合 I，用户给项目的打分信息为矩阵 Y，关于用户和项目的 attributes 分别为 Gu 和 Gi 表示；在社交域中，用户集合 U2，社交关系为 S。两个域的桥梁用户为 U=U1∩U2。 

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

输出：为社交域中每一个用户 u' 确定一个对 items 的排名函数。

NSCR Solution

矩阵分解模型（MF）是推荐系统重要的一个模型，这里先引入一个观点，即 CF 模型可以看做是一个浅层神经网络模型。

如下图所示，我们输入用户\项目 ID 的 one-hot 的表示，然后将其映射到一个 embedding 层，将两者 embedding 向量进行逐元素相乘，得到向量 h（如果直接将 h 映射到一个打分值的话，那么这个模型就是 MF 模型）。

本文认为，MF 的表现受限于使用内积来捕捉 user-item 交互作用；同样，在常规的对 attributes 的利用上，单纯的让用户 embedding 和 attribute embedding 相加，也不足以捕捉 user、item、attribute 之间的联系。

由于 task 是为社交网络中的用户进行跨域推荐，本文使用了基于表示学习（embedding）的方法，认为问题的关键在于如何将 item 和来自社交网络的用户映射到相同的 embedding 空间。

由于两个域的用户只有少量的重合，本文给出的解决方案是分开学习两个域的 embedding，而强迫两个学习过程共享相同桥梁用户的 embedding。优化目标为，等号右边分别是两个域各自的目标函数。

1. Learning of Information Domain

学习 cf 模型的参数，有两种目标函数：point-wise 和 pair-wise 目标函数，前者最小化预测分值和真实分值之间的损失，后者本质上是负采样，适合于本文中使用隐式反馈，同时要得到每个用户的个性化 item 排序的任务。

首先取三元组 (u,i,j)，其中 u 是一个用户，i 是该用户评分过的项目 (yui = 1)，j 是用户没有评分过的项目 (yuj = 0)。目标函数想要学到 (i,j) 的正确顺序：

其中 yuij = yui – yuj，^yuij = ^yui – ^yuj，其中 ^yui 是预测打分值。 

确定目标函数之后，我们来看预测值 ^yui 是通过怎样的模型得到的。本文在 Neural Collaborative Filtering 模型的基础上，进一步加入了 attribute 的信息，结构如下图所示：

输入层：输入四种信息的 id，用 one-hot 向量表示。

embedding：将四种信息分别进行 embedding。

pooling 层：由于 attributes 的数量不确定，embedding 后的向量集大小不确定，为了给后面的 nn 一个定长的信息，进行 pooling 操作。

由于最大\平均 pooling 不能捕捉用户和各 attributes 之间的交互作用，所以设计了一种 pairwise pooling 的方法：

对项目也做类似处理，最后将 pu⊙qi 的结果作为后面 MLP 的输入，MLP 输出预测结果。

2. Learning of Social Domain 

在社交域中，本文使用了半监督学习的方法将信息域中用户 embedding 结果从桥梁用户传播到非桥梁用户。这基于这样的一个假设：如果两个用户有很强的社交关系，那么他们可能会有相似的偏好，从而在 latent space 有相似的特征表示。

学习包括两部分： 

平滑约束（smoothness constrain）：定义了结构一致性损失，希望相邻的用户的表示相似；su',u'' 是两个用户社交关系的强度，du' 是节点 u' 的出度，称为平滑约束是因为为每个用户的特征表示除以了出度的开方，进行了平滑，如果没有这个处理，那么社交关系多的活跃用户将会产生更有效的传播。

拟合约束：为了使两个域的 latent space 保持一致，迫使桥梁用户的两种表示接近，也就是拟合损失：

训练完成后，将 pu' 输入信息域中的预测框架，得到预测 item 的排名。

实验结果

信息域数据集来自 trip.com，同时找到其中一些用户相关的 Facebook 和 Twitter 信息。评估指标为个性化排序的指标 AUC 和 Recall@k。

由于非桥梁用户没有评分信息，无法验证预测是否正确，所以使用了一部分的桥梁用户作为测试集。可以看到预测结果优于 state of art。

评价

不同于传统推荐方法将社交信息作为用户的附加信息，在同一个域预测用户偏好，本文是在信息域中学习了用户偏好，然后将其沿社交网络进行了传播，使原本不在该域的用户也可以学到他的偏好信息，角度新颖。

关于异构的推荐，是一个很有意思的 task，值得去 follow。