社交推荐模型发展历程

图形构造

在具有社会意识的推荐系统中，用户的最终行为取决于朋友的社会影响和他/她自己的偏好。社交推荐面临的主要挑战之一是如何构建社交图来捕捉朋友的社交影响。一般来说，社交网络中的某个用户不仅受到他/她的朋友（一阶邻居）的影响，还受到朋友的朋友（高阶邻居）的影响。为了捕捉高阶社会关系，图的构建方法可以分为两个方向：堆叠图和超图。

堆叠图

鉴于正态图只能建模成对关系，基于正态图的方法GraphRec、GNN-SoR、HGP、ASR、GAT-NSR、DIffNetLG、DIffNET++、DiffNEt、DANSER、SR-HGNN、SEPT、ESRF堆叠多个GNN层以捕获多跳高阶社会关系。
然而，堆叠的GNN层可能会遇到过度平滑的问题，这可能会导致性能显著下降。基于超图的方法，如MHCN，提出用hyperedge对高阶社会关系进行建模，hyperedge可以连接两个以上的节点，并以自然的方式对高阶关系进行建模。

超图

HOSR沿着社交网络递归传播嵌入，以反映高阶邻居在用户表示中的影响。为了进一步提高推荐性能，一些文献TGRec、KCGN、DGRec、RecoGCN、GBGCN在构建图时引入了边信息。RecoGCN将用户、物品和销售代理统一到一个异构图中，以捕捉社会电子商务中的复杂关系。GBGCN构建了一个图，用于组织团购推荐中两个视图的用户行为，其中启动器视图包含启动器项目交互，参与者视图包含参与者项目交互。DGRec和TGRec将用户行为的时间信息引入到社会推荐中。KCGN建议使用开发的知识感知耦合图来捕获用户-用户和项目-项目关系。

信息传播

对于构建的社会推荐图上的传播，主要有两种传播机制，即平均池化（GCN）和注意机制（GAT）。

Average Pooling（GCN）

具有平均池机制的方法TGRec、GNN-SoR、KCGN、HGP、DiffNet、DiffNet、SR-HGCN、SEPT、MHCN、GBGCN在社交图上进行平均池化传播（GCN），并平等对待朋友的社会影响。RecoGCN在构建的图上进行基于元路径的GCN传播，以捕获社会影响和用户偏好。HOSR使用GCN聚合邻居的信息，以捕获社交图中的高阶关系。MHCN在构建的超图上使用GCN进行传播，以获得高阶社会关系。

图注意力机制（GAT）

具有注意机制的方法GraphRec、ASR、GAT-NSR、DGRec、DiffNet++、DANSER、ESRF，如GraphRec和DiffNet++，假设社交图上不同邻居的社会影响不同，并为不同朋友的社会影响分配不同的权重。

各模型细节

在社会推荐中，用户表示从两个不同的角度学习，即社会影响和用户交互。要从上述两个角度组合用户表示，有两种策略
1）分别从社交图和用户项二部图学习用户表示
2）联合从由社交图和用户项二部图组成的统一图学习用户表示。
采用第一种策略的方法，如DiffNet、GraphRec和MHCN，首先分别从社交图和用户项图中学习用户表示，然后将表示与sum pooling相结合（DiffNet、MHCN）、串联（GraphRec）、MLP（GAT-NSR）或注意机制TGRec、HGP、HOSR。
DiffNet++是第二种策略的典型方法，它首先使用GAT机制聚合用户项目子图和社交子图中的信息，然后在每一层将表示与设计的多级注意网络相结合。

参考文献：

Graph Neural Networks for Recommender Systems:
Challenges, Methods, and Directions