【GNN】NGCF：捕捉协同信号的 GNN

今天学习的是新加坡国立大学和中国科技大学同学合作的论文《Neural Graph Collaborative Filtering》，发表于 2019 年 ACM SIGIR 会议。

Embedding 向量是现代推荐系统的核心，但是目前的方法无法捕捉到 user-item 交互中潜在的协作信号。因此，由此产生的 Embedding 向量可能不足以捕获到协同过滤的内容。

为此，作者提出神经网络协同过滤（Neural Graph Collaborative Filtering，NGCF），旨在将 user-item 的交互信息集成到 Embedding 中，从而在完成二部图的高阶连通性的表达建模。

1.Introduction

一般而言，有两种可学习的协同过滤模型：

1. Embedding：将 user 和 item 转换成向量表示。比如说矩阵分解得到 Embedding，并建模了 user 和 item 之间的交互信息；
2. 交互建模：基于 Embedding 重建历史交互。比如说利用非线性神经网络代替 MF 中的内积或者利用欧几里得作为交互函数；

但这些方法还不足以产生非常好的效果，关键原因在于缺少关键的协作信号（collaborative signal）显示的编码到 Emedding 中，这种信号可以揭示 user（或 item）之间的行为相似性。

虽然这个交互信息很有用，但是想做到这一点绝非易事，特别是在实际应用中，交互规模通常会达到千百万甚至上亿的数据量，从而很难提取所需的协作信号。

本文中，作者通过从 user-item 的交互中探索高阶连接性（high-order connectivity）来解决以上问题。下图阐述了 user-item 的二部图和高阶连接性的概念：

作者设计了一个 Embedding Propagation Layer 通过聚合 user（或 item）的 Embedding 来完善 Embedding 的表达。通过堆叠多个 Embedding Propagation Layer 可以强制 Embedding 捕获到 高阶连通性中的 协同信号。以上图右侧为例，堆叠两层可以捕获 的行为相似性，堆叠三层可以捕获 的潜在推荐，同时也可以捕捉到信息的强度（确定 的推荐优先级）。

2.NGCF

我们来看下 NGCF 具体内容。

NGCF 总共有三个部分：Embedding Layer、Embedding Propagation Layers 和 Prediction Layer。

2.1 Embedding Layer

Embedding Layer 提供初始化的 user Embedding 和 item Embedding，可以被认为是构建了一个参数矩阵作为 Embedding look-up 表：

该 look-up 表将作为 NGCF 的一部分参与到端到端的优化中，通过多层 Embedding 传播层的优化，可以将协作信号显示注入到 Embedding 中，从而可以产生更加有效的 Embedding 向量。

2.2 Embedding Propagation Layers

接下来我们介绍下消息传递架构，首先考虑单层。

2.2.1 First-order Propagation

交互信息会提供用户偏好的直接证据，类似的，消费了 item 的 user 也可以将该 user 视为该 item 的特征，从而用来衡量两个 item 的协同相似性。在此基础上作者制定了两个操作流程：消息构建（message construction）和消息聚合（message aggregation）。

「Message construction」

考虑 user-item pair，定义从 i 到 u 的消息传播：

其中， 为消息编码函数， 为 Embedding 向量， 用户控制传播的衰减因子。

本文，作者给出 为：

其中， 是可训练的权重矩阵， 为变换大小。

与 GCN 不同的地方在于，这里不仅考虑 ，同时也会通过 来编码两者的交互特征，相似的 item 之间会传递更多的信息。这不仅提高了模型的表示能力，还提高了推荐性能。

作者考虑图拉普拉斯范式，令 。从表征角度来说，其反映了历史交互 item 对用户偏好的贡献程度；从消息传递角度来说，可以被认为是一个折扣系数，消息会随着路径的增加而慢慢衰减。

「Message aggregation」

消息聚合阶段会将用户 u 的邻居传递过来的信息进行聚合并重新表征用户 u，聚合函数为：

其中， 表示用户 u 通过第一层 Embedding 传播层之后获得的用户表征。 会考虑自环，用于保留原始节点的特征信息，并与消息构造共享 。

同样的方式，我们也可以得到 。

总的来说，Embedding 传播层的优势在于可以显式地利用一阶连通信息来关联 user 和 item 的表征。

2.2.2 High-order Propagation

通过堆叠更多的 Embedding 传播层可以探索高阶连通性，这种高阶连通性对于编码协同信号来估计 user 和 item 之间的相关性非常重要。

堆叠 l 层，我们可以 l-hop 的邻居，如下图所示：

箭头表示信息流，各层的 Embedding 和原始 Embedding 会被拼接得到最终的 Embedding。

user u 的递归公式如下：

消息传播定义如下：

其中， 为可训练的转移矩阵。

如下图所示，协同信号 可以通过 Embedding 传播的过程进行捕捉。

规整下之前的公式，我们利用矩阵的形式进行表示：

其中， 为 user 和 item 经过 l 步 Embedding 传播后的表征； 为单位矩阵； 表示二部图的拉普拉斯矩阵：

其中， 为 user-item 的交互矩阵； 为邻接矩阵； 为对角度矩阵；非零对角线 与 相等。

矩阵表示很好解释了 Embedding 的传播过程，也方便我们进行邻居采样。

2.3 Prediction Layer

经过 L 层 Embedding 传播层后，我们会得到 user u 的多层表示，作者将各层表示 concat 到一起：

同理 。

除了 concat 外，max pooling、LSTM 之类的操作也是支持的。

最终通过向量内积来得到最终的结果：

2.4 Optimization

作者采用推荐系统中大量使用的 pairwise BPR loss：

其中，， 为观测数据， 为未观测数据； 表示所有可学习的参数； 控制 L2 正则化的强度从而防止过拟合。

作者采用 mini-batch Adam 进行优化。

此外，作者也会考虑 message dropout 和 node dropout 来增强模型的泛化能力。

3.Experiment

简单看下实验。

所用数据集：

各模型在不同数据集上的表现（NDCG 是搜索排序中的评价指标）：

考虑不同用户稀疏情况下的性能：

不同传播深度的比较：

与不同模型组合后的结果：

不同 message dropout 和 node dropout 参数下的性能结果：

与 MF 进行比较：

可视化结果：

4.Conclusion

总结：作者提出了一个新的框架 NGCF，关键思想在于提出了 Embedding 传播层，并在此基础上充分利用 usr-item 之间的高阶连通性来编码 Embedding 向量。最终，NGCF 在三个真实数据集上取得了不错的成绩。

5.Reference

1. Wang X, He X, Wang M, et al. Neural graph collaborative filtering[C]//Proceedings of the 42nd international ACM SIGIR conference on Research and development in Information Retrieval. 2019: 165-174.