以下内容纯属个人见解，欢迎大家交流。
发布于2020 CIKM短篇
1 motivation
1.1 问题
社会关系在提高推荐系统的性能方面起着至关重要的作用。然而，将社会信息整合到RS中具有挑战性。大多数现有的模型通常考虑给定会话中的社交影响，忽略了用户偏好和他们的朋友的影响都在发展。此外，在现实世界中，社会关系是稀疏的。建模动态影响和缓解数据稀疏具有重要意义。
1.2 解决方法
在本文中，我们提出了一个统一的社会推荐框架——动态关系感知模型(DREAM)，该模型试图同时模拟用户的动态兴趣和他们的朋友的时间影响。具体来说，我们设计了时间信息编码模块，因为用户表示在每个会话中都会更新。更新后的用户表示被转移到relational-GAT模块，随后影响在社交网络上的操作。在每一个环节中，为了解决社会关系的稀疏性，我们使用glove-based的方法来完成与虚拟朋友的社交网络。
2 模型介绍
2.1 Social Network Completion
2.1.1 Virtual Friends Definition and Selection
我们将虚拟朋友定义为拥有相似消费习惯的用户，如果他们越相似，这种联系就越强。在此定义下，我们设计了一种Glove-based的方法。我们首先利用Glove-based学习用户表示，然后计算所有用户之间的相似度，最后选择相似度较高的top-k用户。输入为用户-用户共现次数矩阵，其项
表示用户
和用户
消费相同物品的次数。而输出则是用户嵌入
。连接强度定义为：
2.1.2 Node Representation
朋友的影响总是滞后的，因为朋友可能会先消费产品，然后再影响用户。所以在t-th relational-gat模块中，友元节点表示在(t-1)-th会话中计算。这里，我们使用用户的短期利益，这是通过使用GRU在(t-1)-th会话中用户的交互序列获得的。
2.2 Relational-GAT Module
注意，在我们完成的社交网络中有两个不同的关系，为了捕捉这种差异，我们在每个会话中在完成的社交网络中使用relation - gat。在t-th会话中，我们为每个用户建立一个节点对应目标用户及其好友的图。针对目标用户,(h_u^{(0)})来自temporal information encoding(TIE)
2.3 Temporal Information Encoding Module
时间信息是一个重要的因素，传统的遥感技术都考虑时间信息。然而，利用用户的时间偏好和好友的动态影响仍然具有挑战性。例如，传统RNN的性能通常会随着序列长度的增加而变差。此外，在现实世界中，前一阶段所产生的影响可能会随着时间的推移而衰减。受门控回归单元(GRU)[2]的启发，我们提出了时间信息编码模块。首先选取用户的历史行为会话，在每个会话的输出中利用时间信息编码模块来掌握用户的动态兴趣和影响。session t中relational-gat模块的输出记为。为了每次结合使用relational-gat编码的特性，以及目标用户的动态个人兴趣，我们设计了一个类似gru的模块，称为 Temporal Information Encoding(TIE)模块。
2.4 Prediction
3 结果
