導(dǎo)語

隨著在線社交網(wǎng)絡(luò)的興起，許多社交應(yīng)用程序中出現(xiàn)了一種新的基于社交的推薦方式，微信看一看推薦系統(tǒng)中的朋友在看就是其代表應(yīng)用之一。在本文中，我們將微信看一看的朋友在看推薦稱為“好友增強(qiáng)型推薦（Friend-Enhanced Recommendation，F(xiàn)ER）”。在 FER 中，對(duì)于某一從未交互過的商品，用戶顯式可見其好友對(duì)該商品的交互行為（這些好友被稱作好友推薦圈），例如微信“看一看”場(chǎng)景下的文章推薦場(chǎng)景。與傳統(tǒng)社交推薦不同， FER 中特有的好友推薦圈可能會(huì)因?yàn)槠渲匾院涂山忉屝远@著改變推薦結(jié)果。

針對(duì)這一好友增強(qiáng)型推薦場(chǎng)景，作者提出了一種新穎的社交影響力專注的神經(jīng)網(wǎng)絡(luò)（SIAN）。SIAN從異質(zhì)信息網(wǎng)絡(luò)的角度建模推薦場(chǎng)景，構(gòu)建了注意力特征聚合器，其對(duì)多類型的異質(zhì)信息進(jìn)行節(jié)點(diǎn)級(jí)和類型級(jí)的特征聚合，并學(xué)習(xí)得到用戶和商品的向量表示。更重要的是，SIAN模型設(shè)計(jì)了一個(gè)社交影響力耦合器，以專心地捕捉好友推薦圈的影響力。

基于兩個(gè)公開數(shù)據(jù)集和一個(gè)看一看的數(shù)據(jù)，作者進(jìn)行了豐富的實(shí)驗(yàn)分析，模型與對(duì)比方法相比，均有顯著提升。尤其是，在看一看數(shù)據(jù)集上，作者進(jìn)行了一些定量分析討論，并得到了一些有趣的發(fā)現(xiàn)以及有價(jià)值的社會(huì)學(xué)模式。

背景簡(jiǎn)介

當(dāng)下，隨著在線社交網(wǎng)絡(luò)的興起，人們更愿意在社交平臺(tái)上表達(dá)自己的觀點(diǎn)并與好友共享信息。好友成為重要的信息來源和高質(zhì)量的信息過濾器。好友互動(dòng)過的商品（共享的，喜歡的等）會(huì)對(duì)用戶產(chǎn)生重大影響，這很可能會(huì)成為用戶未來的興趣所在。工業(yè)界，也有許多推薦系統(tǒng)專注于好友的社交影響，例如，關(guān)注 YouTube中的信息流和微信中的“看一看”文章推薦。

在本文中，作者基于微信“看一看”文章推薦場(chǎng)景，形式化了一個(gè)全新的推薦場(chǎng)景，叫做好友增強(qiáng)的推薦系統(tǒng)（Friend-Enhanced Recommendation，F(xiàn)ER），其大大增強(qiáng)了推薦系統(tǒng)中好友對(duì)用戶行為的影響力。相較于傳統(tǒng)的社交化推薦，好友增強(qiáng)推薦有兩個(gè)主要區(qū)別：

（1）鑒于好友可以看作高質(zhì)量信息過濾器為用戶提供高質(zhì)量的商品，好友增強(qiáng)推薦只為用戶推薦好友交互過的商品（讀過的文章）；

（2）與某一商品交互過的所有好友都會(huì)顯式的展示給當(dāng)前用戶，即當(dāng)前用戶已知哪些好友與當(dāng)前物品有過交互。這一特點(diǎn)重點(diǎn)強(qiáng)調(diào)了顯式的社交影響力對(duì)用戶行為的影響，這也有益于用戶行為的可解釋性。

圖1. 好友增強(qiáng)性型推薦場(chǎng)景

左側(cè)顯示了推薦給 Jerry 的兩篇文章的場(chǎng)景，下面是與兩篇文章互動(dòng)（共享，喜歡等）的朋友（如 Tom）。右側(cè)顯示了好友增強(qiáng)推薦問題的形式化，其中僅推薦朋友交互過的文章，并且與該項(xiàng)目進(jìn)行交互的朋友被明確暴露給用戶 Jerry。

圖 1 展示了微信“看一看”場(chǎng)景下的一個(gè)形式化示例。對(duì)于每一個(gè)用戶-物品對(duì)，好友增強(qiáng)型推薦顯式地展示已經(jīng)和當(dāng)前物品交互過的好友集合，這個(gè)集合被定義為：針對(duì)當(dāng)前商品，當(dāng)前用戶的好友推薦圈（Friend Referral Circle, FRC）。舉例來說，對(duì)于關(guān)于AirPods的文章，Jerry的好友推薦圈是{Tom, Lily, Jack}。在傳統(tǒng)社交推薦中，好友推薦圈對(duì)于 Jerry是不可見的（不會(huì)展示給Jerry），因此Jerry可能會(huì)基于自身的興趣閱讀某一篇文章。然而，在好友增強(qiáng)型推薦場(chǎng)景中，好友推薦圈對(duì)用戶Jerry是顯式可見的，因此他閱讀這篇關(guān)于AirPods的文章，更可能是因?yàn)榭萍紝＜襎om讀過這篇文章。而Jerry閱讀一篇關(guān)于 Disneyland的文章，完全有可能是因?yàn)樗钠拮覮ily讀過這篇文章。更進(jìn)一步地，當(dāng)文章與科技相關(guān)時(shí)，相較于妻子和科技文章，專家和文章的同時(shí)出現(xiàn)對(duì) Jerry 的耦合影響力更大，而在娛樂方面，可能是完全相反的情況。

因此，在好友增強(qiáng)型推薦場(chǎng)景中，多個(gè)因素導(dǎo)致了用戶的行為。用戶閱讀/點(diǎn)擊一篇文章的原因可能來自：

（1）其自身對(duì)文章的興趣（文章本身）；

（2）專家的推薦（文章-好友的組合）；

（3）對(duì)某一好友的關(guān)注（好友）；

可以看到，在好友增強(qiáng)型推薦場(chǎng)景中，用戶有窺探好友在看的內(nèi)容的傾向，而非僅僅看自己本身感興趣的內(nèi)容。甚至可以說，傳統(tǒng)社交推薦關(guān)注于結(jié)合社交信息去推薦物品，而好友增強(qiáng)的推薦旨在推薦物品和好友的組合。

作為好友增強(qiáng)型推薦的關(guān)鍵特性，顯式的好友推薦圈為該推薦場(chǎng)景帶來兩個(gè)挑戰(zhàn)：

（1）如何從多方面的異質(zhì)因素中提取關(guān)鍵信息？好友增強(qiáng)的推薦場(chǎng)景涉及多個(gè)異質(zhì)目標(biāo)，例如物品內(nèi)容，好友推薦圈及用戶-物品交互行為等。在用戶，物品和朋友推薦圈的不同組合下，這些因素的影響甚至也有所不同。因此好友增強(qiáng)的 推薦場(chǎng)景更具挑戰(zhàn)性，因?yàn)樗粌H需要學(xué)習(xí)用戶對(duì)商品的偏好，還需要預(yù)測(cè)不同 因素對(duì)好友的影響。

（2）如何利用顯式的好友推薦圈信息？顯式的好友推薦圈推薦極大地強(qiáng)調(diào)了推薦中社交信息的重要性，這在好友增強(qiáng)的推薦場(chǎng)景中是至關(guān)重要。但是，很少有工作在實(shí)際推薦中探索好友推薦圈的影響和特性。因此需要一種精心設(shè)計(jì)的策略，以充分利用好友增強(qiáng)的推薦場(chǎng)景中的顯式的好友推薦圈信息。

為了解決這些問題，作者提出了一種新穎的社交影響力專注的神經(jīng)網(wǎng)絡(luò)（SIAN）。具體來說， SIAN將好友增強(qiáng)推薦定義為異質(zhì)社交圖上的用戶-物品交互預(yù)測(cè)任務(wù)，該任務(wù)將豐富的異質(zhì)信息靈活地集成到異質(zhì)對(duì)象及其交互連接中。首先，作者設(shè)計(jì)了一個(gè)注意力特征聚合器，它同時(shí)考慮節(jié)點(diǎn)級(jí)和類型級(jí)的特征聚合，以學(xué)習(xí)用戶和物品的表示向量。接下來，作者實(shí)現(xiàn)了一個(gè)社交影響力耦合器，以建模通過顯式好友推薦圈傳播的耦合影響力，該耦合器利用注意力機(jī)制將多種因素（例如，朋友和物品）的影響力耦合在一起?？傮w而言，SIAN 模型捕獲了好友增強(qiáng)的推薦場(chǎng)景中有價(jià)值的多方面因素，從而成功地從異質(zhì)信息網(wǎng)絡(luò)和顯式好友推薦圈中提取了用戶的最基本偏好。

模型結(jié)構(gòu)

圖2. 模型SIAN總覽

首先，考慮到相同類型的不同鄰居可能對(duì)特征聚合的貢獻(xiàn)是不同的，并且不同類型包含多方面的信息，因此作者設(shè)計(jì)了分層的節(jié)點(diǎn)級(jí)和類型級(jí)的注意力特征聚合器。在每個(gè)級(jí)別，注意力機(jī)制區(qū)分和捕獲鄰居和類型的潛在關(guān)聯(lián)性，使得 SIAN 模型能夠更細(xì)粒度地編碼多方面的異質(zhì)信息。與之前的一些工作不同的是， SIAN 不需要基于任何先驗(yàn)知識(shí)手動(dòng)選擇元路徑。

其次，作者設(shè)計(jì)了一個(gè)社交影響力耦合器，其用來捕獲一個(gè)有影響力好友（例如 Tom）和一個(gè)物品（例如 Disneyland 相關(guān)文章）的耦合影響力， 從而量化它們的耦合影響力程度。最后，帶有注意力地融合來自好友推薦圈內(nèi)的多個(gè)耦合影響力，以表示整個(gè)好友推薦圈對(duì)當(dāng)前用戶和物品的影響。

實(shí)驗(yàn)分析

基于兩個(gè)公開數(shù)據(jù)集（Yelp和Douban）以及微信看一看數(shù)據(jù)（FWD），作者進(jìn)行了豐富的實(shí)驗(yàn)評(píng)估和分析。數(shù)據(jù)集統(tǒng)計(jì)信息見下表1。

表1. 數(shù)據(jù)集統(tǒng)計(jì)

在主實(shí)驗(yàn)中，作者對(duì)比了四類代表性的方法，并報(bào)告了在不同表示維下的模型表現(xiàn)，結(jié)果可以見表2?？梢钥吹剑诙鄠€(gè)數(shù)據(jù)集上，提出的SIAN模型明顯優(yōu)于對(duì)比方法。特別是，和傳統(tǒng)社會(huì)化推薦方法相比，SIAN模型依然表現(xiàn)突出，這得益于社交影響力耦合器在為好友增強(qiáng)推薦場(chǎng)景編碼各種社交因素時(shí)的能力，也這進(jìn)一步證實(shí)了社交影響力在好友增強(qiáng)推薦中的重要性。

表2. 用戶行為預(yù)測(cè)實(shí)驗(yàn)結(jié)果

其次，作者分析了多方面異質(zhì)信息的影響。在注意力特征聚合器中，每個(gè)節(jié)點(diǎn)的向量表示都是從其具有不同權(quán)重的各種類型的異質(zhì)鄰居聚合而來的，作者分析發(fā)現(xiàn)：SIAN模型學(xué)習(xí)得到的好友類型的平均注意力權(quán)重值顯著大于物品類型的平均注意力權(quán)重，這表明了SIAN模型更加關(guān)注用戶的社交關(guān)系，也驗(yàn)證了好友推薦圈是好友增強(qiáng)推薦中最重要的因素。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3. 多方面信息影響分析

更進(jìn)一步地，在微信看一看數(shù)據(jù)集上，作者分析了不同的用戶屬性如何通過社交影響力耦合器的影響力強(qiáng)度來影響好友增強(qiáng)推薦場(chǎng)景中的用戶行為，并得出了一些有趣的發(fā)現(xiàn)。例如，在圖4(a)中，可以觀察到用戶行為受到更具權(quán)威性的朋友的影響， 而與用戶自己的權(quán)威度無關(guān)。同時(shí)，高權(quán)威朋友對(duì)中等權(quán)威用戶具有更大的影響力，用戶通常更容易受到權(quán)威人士的影響，這和我們的常識(shí)也是相符的。因此，在好友增強(qiáng)推薦場(chǎng)景中，可能存在一個(gè)有趣的現(xiàn)象，即有時(shí)用戶會(huì)更多地關(guān)注老板或某一權(quán)威人士的喜好，而不是他們自己的實(shí)際喜好。我們也觀察到其它用戶基礎(chǔ)屬性對(duì)于好友增強(qiáng)推薦場(chǎng)景中的用戶行為產(chǎn)生影響。

圖4. 社交影響力分析

總結(jié)

在這一工作中，作者首次形式化定義了微信看一看中的推薦場(chǎng)景，即好友增強(qiáng)型推薦，其顯式地展示已經(jīng)和當(dāng)前物品交互過的好友。針對(duì)這一新型且應(yīng)用廣泛的推薦場(chǎng)景，作者提出了社交影響力注意的神經(jīng)網(wǎng)絡(luò)SIAN，SIAN模型通過一個(gè)兩級(jí)注意力聚合器學(xué)習(xí)user和item的表示，并設(shè)計(jì)了一個(gè)社交影響力耦合器的用于提取朋友推薦圈中的影響力信息。實(shí)驗(yàn)結(jié)果表明，在三個(gè)真實(shí)的數(shù)據(jù)集上，SIAN的性能明顯優(yōu)于最新基準(zhǔn)，豐富的模型分析揭示出有趣的社會(huì)學(xué)模式。

我們認(rèn)為未來以微信看一看朋友在看為代表的好友增強(qiáng)型推薦將會(huì)成為人們獲取信息的重要方式，通過推薦連接用戶與世界。現(xiàn)在對(duì)好友增強(qiáng)型推薦的研究?jī)H僅處于初級(jí)階段，我們希望未來能有更多新的研究工作與分析。

作者：陸元福

來源：北郵 GAMMA Lab（BUPT_GAMMA）