背景介绍

如今，随着在线社交网络的发展，人们更愿意在社交网络上表达自己的观点，与朋友分享信息。平台的社交网络。朋友成为重要的信息来源和优质信息过滤器。朋友互动过的产品（分享、喜欢等）会对用户产生重大影响，这很可能成为他们未来的兴趣。业内也有很多关注好友社交影响力的推荐系统，比如监控 YouTube 上的信息流、推荐微信上的“观看”文章。

在这篇文章中，作者在微信“看”文章推荐场景的基础上形式化了一种新的推荐场景，称为好友增强推荐（FER），极大地提高了推荐系统中好友对用户行为的影响力。与传统的社交推荐相比，好友增强推荐有两个主要区别：（1）由于好友可以被认为是高质量的信息过滤器，为用户提供高质量的产品，因此好友增强推荐仅推荐好友与pp互动过的项目。 . 产品（阅读文章）； （2）所有与某个商品有过互动的好友都会显式地展示给当前用户，即当前用户知道哪些好友与当前商品有过互动。这一特征强调了显性社会影响力对用户行为的影响，这也有利于用户行为的可解释性。

图1.好友增强推荐场景

上图左侧为向Jerry推荐两篇文章的场景，下面是好友（如Tom）向Jerry推荐（分享、点赞等）的场景与这两篇文章。右侧显示了朋友推荐问题的形式化，其中仅推荐与朋友互动过的文章，并且与该项目互动过的朋友明确地暴露给用户Jerry。

图1展示了微信上“看”场景的正式示例。对于每个用户-项目对，增强友谊推荐将明确显示与当前项目进行过交互的朋友组。该集合定义为： 当前项目的当前用户的推荐圈 (FRC)。

比如一篇关于AirPods的文章，Jerry的朋友圈是{Tom, Lily, Jack}。在传统的社交推荐中，朋友圈推荐对于Jerry来说是不可见的（notvisible to Jerry），因此Jerry可以根据自己的兴趣阅读某篇文章。然而，在朋友推荐场景中，朋友推荐圈对用户 Jerry 是明确可见的，因此他阅读这篇关于 AirPods 的文章的可能性更大，因为技术专家 Tom 阅读了这篇文章。杰瑞很可能因为他的妻子莉莉读了这篇关于迪士尼乐园的文章而读了它。此外，如果文章是关于技术的，那么专家和文章的同现对杰瑞关联的影响比妻子与技术文章关系的影响更大，而对于娱乐来说可能恰恰相反。

因此，在好友增强推荐场景中，多种因素驱动用户行为。用户阅读/点击一篇文章的原因可以来自：（1）他自己对文章的兴趣（文章本身）（2）专家推荐（文章-好友组合）（3）对某个好友的关注（朋友）。可以看出，在好友推荐场景中，用户更倾向于关注好友正在观看的内容，而不仅仅是观看自己感兴趣的内容。甚至可以说，传统社交推荐侧重于结合社交信息来推荐物品，而好友增强推荐则旨在推荐物品和好友的组合。

作为增强型好友推荐的一个关键特征，显式好友推荐圈给这种推荐场景带来了两个挑战：（1）如何从多个异构因素中提取关键信息？ 好友推荐场景包含物品内容、好友推荐圈、用户与物品的交互行为等异构目标。在不同的用户、物品和朋友推荐圈的组合下，这些因素的影响甚至是不同的。因此，好友推荐场景更具挑战性，因为它不仅需要了解用户对产品的偏好，还需要预测各种因素对好友的影响。 (2) 如何利用朋友推荐圈的显性信息？ 朋友圈推荐中的显式推荐强烈强调了社交信息在推荐中的重要性，这在增强好友推荐场景中至关重要。然而，很少有人探讨朋友推荐圈子在实际推荐中的影响和特征。因此，需要一个精心设计的策略来在朋友推荐增强场景中充分利用来自朋友推荐圈的显性信息。

为了解决这些问题，作者提出了一种新的社会影响力神经网络（SIAN）。具体来说，SIAN将好友增强推荐定义为异构社交图上的用户-项目交互预测任务，将丰富的异构信息灵活地集成到异构对象及其交互连接中。首先，作者提出了一种注意特征聚合器，它考虑节点级和类型级特征聚合来学习用户和项目表示向量。此外，作者还实施了一种社会影响力耦合器来模拟通过明确的朋友推荐圈子传播的汇集影响力，该圈子使用注意力机制将多种因素（例如朋友和物品）的影响力结合在一起。总体而言，SIAN模型捕获了好友推荐场景中有价值的多方面因素，成功地从异构信息网络和显式好友推荐圈中提取了最基本的用户偏好。

模型结构

如图2所示，SIAN使用异构社交网络对好友增强推荐场景进行建模。除了用户和对象的向量表示之外，SIAN 还通过将有影响力的朋友与对象相关联来学习社会影响力的低维向量表示。通过学习用户、物品和相关社会影响力的向量表示，SIAN 最终预测用户和物品之间交互的概率。

图2 SIAN模型概述

首先，考虑到同一类型的不同邻居可能对特征聚合的贡献不同，并且不同类型包含多方面的信息，作者提出了节点级别的分层求和类型特征聚合器注意力。每个级别的注意力机制区分并捕获邻居和类型的潜在相关性，使 SIAN 模型能够以更细粒度的方式编码多方面的异构信息。与之前的一些工作不同，SIAN 不需要根据任何先验知识手动选择元路径。

其次，作者提出了社会影响力耦合，用于捕捉有影响力的朋友（比如汤姆）和某个物体（比如与迪士尼乐园相关的文章）的约束力，从而量化其约束力的程度。 。最后，将来自好友推荐圈的多种综合影响力与注意力进行整合，表示整个好友推荐圈对当前用户和物品的影响。

最后，基于用户、物品和连接影响力的表示，作者将三者结合起来，送入两层神经网络，通过回归层预测用户-物品交互的概率。最后，通过优化交叉熵损失函数来训练优化模型。

实验分析

基于两个公开数据集（Yelp和豆瓣）和微信看一看数据（FWD），作者进行了丰富的实验评估和分析。数据集统计如下表1所示。

表1.数据集统计

在主要实验中，作者比较了四种表示方法，并报告了模型在不同表示维度上的表现。结果如表2所示。可以看出，所提出的SIAN模型在多个数据集上显着优于对比方法。特别是与传统的社交推荐方法相比，SIAN模型仍然具有优越的性能，因为社交影响力耦合器能够对各种社交因素进行编码以增强好友推荐场景，从而进一步证实了社交影响力。朋友增强推荐的重要性。

表2.用户行为预测的实验结果

其次，作者从多个方面分析了异构信息的影响。在注意力特征聚合器中，每个节点的向量表示是从具有不同权重的不同类型的异构邻居聚合的。作者分析发现：SIAN模型学习到的好友类型的平均注意力权重值明显大于物品类型的平均注意力权重。这说明SIAN模型更加关注用户的社交关系，甚至超过了内容本身。这也验证了朋友圈推荐是扩展好友推荐的最重要因素。实验结果如图3所示。

图3.多元信息影响分析

在微信看看数据集中，作者进一步分析了不同用户属性如何通过社交影响力链接的影响力强度来影响改进的好友推荐。场景中的用户行为并得出了一些有趣的发现。例如，在图4(a)中，可以观察到用户的行为受到更权威的好友的影响，而与用户自身的权限无关。同时，高权限的好友对中等权限的用户影响力更大。用户通常更容易受到权威的影响，这符合我们的常识。因此，在朋友推荐场景中，可能会出现一个有趣的现象，即用户有时更关注权威人士（或仅权威人士本身）的偏好，而不是自己的真实偏好。我们还发现其他基本用户属性会影响朋友增强推荐场景中的用户行为。

图4.社交影响力分析

总结

在这部作品中，作者首次正式定义了微信看看关​​注好友推荐场景，即好友增强推荐，明确显示与当前有过互动的好友物品。针对这种新的、广泛使用的推荐场景，作者设计了SIAN社会影响力注意力神经网络。 SIAN模型通过两级注意力聚合器学习用户和物品的表示，并提出社交影响力链接，可用于获取有关朋友圈影响力的信息。实验结果表明，SIAN 在三个真实数据集上显着优于最先进的基线，丰富的模型分析揭示了有趣的社会学模式。

我们相信，未来以微信“看看朋友在看什么”为代表的好友增强推荐将成为人们获取信息的重要方式，通过推荐连接用户与世界。目前关于朋友推荐的研究仍处于起步阶段，我们希望未来看到更多新的研究工作和分析。

参考文献：

[1] Chen, Chong, et al. “高效的异构协同过滤，无需对推荐进行负采样。” AAAI 人工智能会议论文集。英石。 34. 不。 2020-01-01

[2] Dong，Yixiao，Nitesh V. Chawla，Ananthram Swami。 “metapath2vec：异构网络的可扩展表示学习。”第 23 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。 2017.

[3]范文琪等. “用于社交推荐的图神经网络。”万维网会议。 2019.

[4]格罗弗、阿迪亚和尤尔·莱斯科维奇。 “node2vec：网络的可扩展特征学习。” " 第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。2016 年。

[5] Kipf、Thomas N. 和 Max Welling。“使用图卷积网络进行半监督分类。” arXiv 预印本 arXiv:160709.029 ( 2016) .

[6] 佩罗齐、布莱恩、拉米·阿尔-Rfou,和史蒂文斯基纳。 “Deepwalk：社会表征的在线学习。”第 20 届 ACM SIGKDD 知识发现和数据挖掘国际会议论文集。 2014.

[7]施川,等. “嵌入异构信息网络进行推荐。” IEEE Transactions on Knowledge and Data Engineering 31.2 (2018): 357-370.

[8] Veličković, Petar, et al. “注意力的图形网络。” arXiv 预印本 arXiv:1710.10903 (2017).

[9] Wang, Xiao, et al. “异构图注意力网络。”万维网会议。 2019

[10] 吴乐等. “社会推荐的神经影响力传播模型。”第 42 届 ACM SIGIR 国际信息检索研究与开发会议论文集。 2019.

[11]肖文怡等. “超越个性化：针对创作者权益和消费者满意度的社交内容推荐。”第 25 届 ACM SIGKDD 国际知识会议论文集e 发现和数据挖掘。 2019.