以下内容纯属个人见解，欢迎大家交流。
发布于2019 WWW
1 motivation
1.1 问题
由于社交推荐系统中的数据可以表示为用户-用户社交图和用户-项目图，GNNs的这些优势为推进社交推荐提供了巨大的潜力;了解用户和项目的潜在因素是关键。构建基于GNNs的社交推荐系统面临着三个挑战：
（1）the user-item graph encodes both interactions and their associated opinions
（2）social relations have heterogeneous strengths
（3）users involve in two graphs（user-user, user-item）
1.2 解决方法
我们提供了一个原则性的方法来联合捕获用户-项目图中的交互和意见，并提出了框架GraphRec，它对两个图和异构强度进行了连贯的建模。
2 相关介绍
gnn自然地集成节点信息和拓扑结构，在表示学习中被证明是强大的。另一方面，社交推荐中的数据可以表示为两种图的图数据，这两个图包括表示用户之间关系的社交图和表示用户和项目之间交互的用户-项目图。
社交推荐的自然方式是将社交网络信息融入到用户和项目潜在因素的学习中。学习项目和用户的表示是建立社交推荐系统的关键。因此，鉴于其优势，gnn为推进社会推荐提供了前所未有的机会。
构建基于GNNs的社交推荐系统面临挑战：
（1）第一个挑战是如何内在地结合这两个图。
（2）第二个挑战是如何联合捕捉用户和物品之间的互动和意见。
（3）第三个挑战是如何区分具有异质性强度的社会关系。
3 模型介绍
3.1 user modeling
3.1.1 Item Aggregation
user-item graph中不仅有user-item的交互，也有user对item的打分。item aggregation具体公式如下所示
其中，
⊕ 表示concat
缓解了基于均值的聚合器的局限性，采用注意力机制的聚合器，具体公式如下图所示：
3.1.2 Social Aggregation
3.1.3 Learning User Latent Factor
3.2 Item Modeling
[图片上传中...(image.png-2d5ebe-1607310243421-0)]
3.3 rating prediction
3.3 训练
利用RMSprop优化器
4 结果
