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
利用社会信息来解决数据稀疏和预热将问题在传统协作过滤方法。然而,大多数现有的模型假设社会结合从朋友的形式下用户静态和恒定重量或固定约束。
1.2 解决方法
我们提出双图注意网络来协同学习双重社会效应的表示，其中一个是由一个特定于用户的建模注意权重，另一个是由一个动态建模和上下文感知注意力权重。我们还将用户领域的社会效应扩展到产品领域，从而利用相关产品的信息进一步缓解数据的稀疏性问题。
此外，考虑到两个领域的不同社会效应会相互影响并共同影响用户对物品的偏好，我们提出了一种基于上下文multi-armed bandit的基于策略的融合策略来权衡各种社会效应的交互作用。
2 相关介绍
之前模型的局限性：
（1）大多数研究假设链接用户都有相似的偏好。这一假设并不适用于当代的social
network services(SNS)，因为网络上可能存在各种各样的朋友类型，如亲密朋友、普通朋友、事件朋友等。因此，直接将友谊等同于具有偏好相似性的SNS可能并不合理。
（2）大多数工作在固定权重或固定约束的形式下静态地模拟朋友的影响。这种假设忽略了社会影响的动态模式。事实上，用户在面对特定的物品时会受到特定的朋友群体的影响，这使得社交效果是动态的，并且依赖于特定的上下文。
（3）之前的方法缺乏对社会效应的可解释性，也就是说，它们不能明确地表明用户对某一物品的偏好是如何受到朋友的影响的。
在现实世界中，人们的决策会受到各种因素的影响，人们的行为往往是多方面原因的结果。为此，我们探讨了推荐系统中的四种不同的社会效应，包括用户域的双重效应和商品域的对称双重效应，如下图所示：
在用户领域中，朋友可以通过两种方式相互影响。首先，用户倾向于拥有与朋友相似的偏好，这被称为社交同质性（a）
社会同质性往往会导致用户偏好的内在效应，这种效应保持不变，不受外部环境的影响。另一方面，一个用户的朋友购买了一件商品，他可能会把它推荐给那个用户，这个用户可能更有可能去点击这些商品，这被称为社会影响(b)
实际上，社会影响会对用户偏好产生行为级效应，用户偏好会随着特定的上下文动态变化
此外，在商品领域，也存在类似的“社会效应”。首先，一些相关产品在用户面前具有相似的吸引力。我们将其称为项目到项目的同质性（c），并将项目属性的组件称为静态属性。
另一方面，如果一个项目在某个社区中很受欢迎，那么其他相关的项目就更有可能被这个社区的用户点击。这种现象可以称为物对物影响（d)，它取决于具体的语境。
用户领域和产品领域的双重社会效应可能共同影响用户对某一产品的决策。
3 模型介绍
user-item交互矩阵
3.1 Raw Input and Item Implicit Network
输入是social graph和user-item交互矩阵。大多数现有的方法独立地处理项目，因为没有明确表达项目之间关系的先验信息。我们构建一个item-item graph，具体的操作是对于两个item，如果共同交互过他们的人数大于一个阈值，那么就认为这两个item存在关系，得到如下的图：
3.2 embedding layer
一个用户的既可以被用户特性表示，也可以被他交互过的物品表示。前者表示他的偏好，后者表示被他评价的历史记录对当前决策的潜在影响。这种嵌入可以处理假阴性样本，提高模型的精度。类似地，每个物品可以由特定于物品的嵌入和为其评级的用户(称为基于用户的条目嵌入)来表示。
对于用户、物品各自的特性embedding，我们定义为
基于物品的用户embedding，我们定义一个物品embedding lookup,
同理，基于用户的物品embedding，一个用户embedding lookup,
3.3 Dual Gat/GCN layer
3.3.1 GAT to capture social homophily(图中蓝色部分)
我们用表示固有的用户偏好因子，通过GAT得到用户静态偏好。
3.3.2 GAT to capture social influence(图中黄色部分)
对于基于物品的用户embedding,，设待测物品为
，采用点乘的方式进行计算，之后再进行一个max pooling得到一个向量：
此时
3.3.3 GAT to capture item-to-item homophily(图中绿色部分)
我们使用物品嵌入来表示条目的固有属性因子，GAT公式如下
3.3.4 GAT to capture item-to-item influence(图中红色部分)
3.4 Pairwise Neural Interaction Layer
由于用户对某一物品的决策通常同时取决于用户偏好和物品属性，我们可以让两个用户偏好因素和两个物品属性因素相互作用。然后我们借用了将四个结果输入到不同的神经网络，:
3.5 Policy-Based Fusion Layer
要将4个交互特征融合成一个。注意，同质性效应和影响效应可以共同影响用户偏好和项目属性，但对于不同的用户和项目，双重效应的重要性可能不同。为此，我们提出了一种新的基于策略的融合策略，根据特定的用户-物品对动态地分配权重给四个交互特征。
3.6 output layer
4 实验结果
