异构图神经网络用于推荐系统问题（ACKRec，HFGN）

继续整理几篇SIGIR2020的Graph+Recommendation的论文，其他的一些论文整理可以看博主以往博文（传送门），本篇只整理两篇比较有意思的异构图+推荐的文章。

Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View（ACKRec）
背景是mooc上给学生推荐视频，实质还是rating预测。比较不一样的是为了处理稀疏问题+课程里面会有很多视频，学生的兴趣重点/知识概念可能不一样，所以作者尝试构建一个多实体异构图（用户，课程，知识概念，视频，老师）。这几个实体之间存在比较复杂的关系，如下图，比较老师可以讲课，课包含视频，学生来上课并看这些视频并且可以用重复行为，最后的目的是学习到视频中所包含的知识。

具体的模型架构上上图，主要的处理思路是设计元路径以引导学生兴趣的propagation图，因为这些异构的复杂关系也太适合用元路径来聚合了。具体来说，是开发了异构GCN来按设计好的元路径聚合，然后由于不同学生的兴趣不一样就Attention来表示特征，最后的下游的预测用MF完成。

Hierarchical Fashion Graph Network for Personalized Outfit Recommendation（HFGN）
个性化服装推荐。主要是为了统一时装兼容性outfit-item（同一套衣服上下兼容）和个性化推荐user-outfit（符合用户着装风格，特别是可能只会喜欢其中的某些item）这两点。

所以按照这个思路，用异构图网络可以统一建模users, items, and outfits，因为outfit是会由多个item组成，并且被用户喜欢的，然后就会变成如上图一样的分层图。模型上具体来说贡献了一种分层图卷积，信息传播有三种：item之间，item到outfit，outfit到user，做完传播做两个任务：兼容和个性推荐。架构如下图

• 1)信息跨项传播，通过结合兼容性建模来细化项嵌入。这一部分用注意力来聚合就好，公式如下：$$m_{i^{\prime }-i}=w(i,i^{\prime })\sigma (W_1(i\odot i^{\prime }))$$$$i^{\ast }=i+\sum m_{i^{\prime }-i}$$
• 2)信息从项传播到outfit，它将项目语义聚合到outfit中。这一部分都是基于lightGCN的思路来聚合的，博主以往整理过了，传送门：图神经网络用于推荐系统问题（NGCF，LightGCN）。公式如下：$$m_{i-o}=\frac{1}{|N_o|}\sigma (W_2{i}^{\ast })$$$$o^{\ast }=o+\sum m_{i-o}$$
• 3)信息从outfit到用户，将历史装备集成为用户表示。这部分和上一部的传播是一样的：$$m_{o-u}=\frac{1}{|N_u|}\sigma (W_3{o}^{\ast })$$$$u^{\ast }=u+\sum m_{o-u}$$
• 最后用BPR来优化就好。