SIGIR 2022已公布录用论文，投稿长文794篇/短文667篇，录用长文161篇/短文165篇，录用率长文20%/短文24.7%，完整录用论文列表见https://sigir.org/sigir2022/program/accepted/。
本文选择推荐系统图网络方向的论文进行解读，SIGIR'22 推荐系统图网络方向的论文较多[1][2]，在此先对其进行归类，分为会话推荐(4篇)、知识图谱(5篇)、点击率预估(2篇)、对抗/去噪/纠偏(4篇)、图对比学习(6篇)、POI(2篇)、多样性(1篇)、协同过滤(2篇)、其他(2篇)，其中多篇已在SIGIR'22推荐系统论文系列解读过，比如对比学习、POI、多样性等，可参考《推荐系统论文梳理系列》中对应的链接，本文选择未解读部分进行解读。
1. 论文分类解读
1.1 图-会话推荐
An Attribute-Driven Mirroring Graph Network for Session-based Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531935
代码链接: https://github.com/WHUIR/MGS
论文机构: 武大、小米、南洋理工
论文分类: 图网络、会话推荐
论文总结: 基于会话的推荐旨在基于匿名且简短的交互序列来预测用户的下一个点击项目。以往的会话推荐模型没有利用额外的有价值的知识，因此深受数据稀疏问题的困扰。
本文提出了一种用于会话推荐的镜像图增强模型（MGS），以利用项目嵌入向量上的项目属性信息来进行更准确的偏好估计。具体来说，MGS 利用两种图来学习项目表示，一种是从用户交互序列生成的会话图，描述了基于转换模式的用户偏好；另一种是由属性感知模块构建的镜像图，该模块通过整合项目的属性信息，为每个会话项目选择最具属性代表性的信息。我们应用了一种迭代的双重细化机制来在会话和镜像图之间传播信息。为了进一步指导属性感知模块的训练过程，我们还引入了一种对比学习策略，该策略通过随机采样属性相同的邻居来比较为同一会话生成的两个镜像图。对三个真实世界数据集的实验表明，MGS 的性能超过了许多最先进的模型。
AutoGSR: Neural Architecture Search for Graph-based Session Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531940
论文机构: 南大
论文分类: 图网络、会话推荐、NAS
论文总结: 基于会话的推荐旨在基于固定数量的先前操作来预测匿名用户的下一次点击操作（例如商品）。最近，图神经网络 (GNN) 在各种应用中表现出卓越的性能。受 GNN 成功的启发，人们付出了巨大的努力将 GNN 引入基于会话的推荐中，并取得了显著成果。然而，由于会话中潜在信息类型的高度多样化，现有的基于 GNN 的方法在不同的会话数据集上表现不同，导致需要有效设计适应各种会话推荐场景的神经网络。为了解决这个问题，我们提出了基于图的会话推荐的自动神经架构搜索，即 AutoGSR，该框架提供了一种实用且通用的解决方案来自动找到基于 GNN 的最佳会话推荐模型。在 AutoGSR 中，我们提出了两个新的 GNN 操作来构建一个富有表现力和紧凑的搜索空间。在搜索空间的基础上，我们采用可微搜索算法来搜索最佳图神经架构。此外，为了同时考虑所有类型的会话信息，我们提出学习商品元知识，它作为指导最终会话表示优化的先验知识。对三个真实世界数据集的综合实验表明，AutoGSR 能够找到有效的神经架构并实现最先进的结果。据我们所知，我们是第一个研究基于会话的推荐的神经架构搜索。
(short paper) Enhancing Hypergraph Neural Networks with Intent Disentanglement for Session-based Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531794
论文机构: 清华、美团
论文分类: 图网络、会话推荐
论文总结: 基于会话的推荐 (SBR) 旨在通过较短的行为进行下一项预测。现有解决方案未能解决两个主要挑战：1）用户兴趣显示为动态耦合的意图，以及 2）会话总是包含噪声信号。为了解决这些问题，在本文中，我们提出了一种基于超图的解决方案 HIDE。具体来说，首先为每个会话构建一个超图，以从不同的角度对可能的兴趣转换进行建模；然后以微观和宏观方式解耦每个项目点击下的意图。在微观方式解耦中，我们在会话超图上执行意图感知嵌入传播，以从嘈杂的数据中自适应地激活解缠结的意图；在宏观方式解耦中，我们引入了一个辅助意图分类任务来鼓励不同意图的独立性。最后，我们为给定的会话生成特定于意图的表示以做出最终推荐。基准评估证明了我们的 HIDE 相对于最先进的方法具有显著的性能提升。
(short paper) DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation
论文链接: https://arxiv.org/abs/2105.14428v1
论文机构: 哈工大、平安保险
论文分类: 图网络、会话推荐
论文总结: 基于会话的推荐已被各种在线视频和电子商务网站广泛采用。大多数现有的方法都是直观地提出从匿名会话数据中发现潜在的兴趣或偏好，这显然忽略了这些顺序行为通常反映会话用户的潜在需求的事实，即语义级别因素，因此如何估计会话的潜在需求具有挑战性。为了解决上述问题，本文提出了一种需求感知图神经网络（DAGNN）。具体来说，我们设计了一个需求建模组件来提取会话需求，该组件用于指导加权会话图的构建，以学习需求感知项目嵌入。互信息损失被进一步设计以使项目在每个需求中的嵌入保持一致，提高学习嵌入的质量。在几个真实世界的数据集上进行了广泛的实验评估，所提出的模型达到了 SOTA 模型的性能。
1.2 图-知识图谱
KETCH: Knowledge Graph Enhanced Thread Recommendation in Healthcare Forums
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532008
代码链接: https://github.com/cuilimeng/KETCH
论文机构: 宾州州立大学
论文分类: 知识图谱
论文总结: 在本文中，我们提出了 KETCH，这是一种在线医疗保健论坛中的知识图增强方案推荐。KETCH 利用来自医学知识图谱的附加信息，通过知识感知注意机制来指导文本嵌入。该网络还采用消息传递思想来捕获方案和请求级别的用户偏好，以便更好地表示用户意图。我们对三个真实世界的医学论坛数据集进行了广泛的实验，以证明我们的方法在几种最先进的方法上的强大性能。我们还使用两个案例研究来展示 KETCH 在完成知识图谱和向用户推广可信信息方面的潜力。这项工作针对医疗保健领域，并使用医学知识图谱来丰富连接。
Post Processing Recommender Systems with Knowledge Graphs for Recency, Popularity, and Diversity of Explanations
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532041
代码链接:
https://github.com/giacoballoccu/explanation-quality-recsys
论文机构: 卡利亚里大学
论文分类: 知识图谱、可解释性、公平性
论文总结: 现有的可解释推荐系统主要对推荐产品和已体验产品之间的关系进行建模，并相应地塑造解释类型（例如，由女演员“y”主演的电影“x”推荐给用户，因为该用户观看了以“y”作为女演员的其他电影）。然而，这些系统都没有调查单一解释的属性（例如，与该女演员互动的新近度）和推荐列表的一组解释（例如，解释类型的多样性）的属性可以影响的程度感知的解释质量。在本文中，我们概念化了模拟解释质量的三个新属性（链接交互新近度、共享实体流行度和解释类型多样性），并提出了能够优化这些属性的重排序方法。对两个公共数据集的实验表明，我们的方法可以根据所提出的属性提高解释质量，公平地跨越人口群体，同时保留推荐效用。
Hybrid Transformer with Multi-level Fusion for Multimodal Knowledge Graph Completion
论文链接: https://arxiv.org/abs/2205.02357
代码链接: https://github.com/zjunlp/MKGformer
论文机构: 浙大、阿里等
论文分类: 知识图谱(补全)、多模态
论文总结: 多模态知识图谱 (MKG) 最近已成功应用于信息检索、问答和推荐系统等任务。由于大多数多模态知识图谱并不完全，知识图谱补全已经得到了广泛的研究，重点聚焦于多模态实体、关系提取和链接预测。然而，不同的任务和模态需要对模型架构进行更改，并且并非所有图像/目标都与文本输入相关，这阻碍了对不同现实世界场景的适用性。在本文中，我们提出了一种具有多级融合的混合transformer来解决这些问题。具体来说，我们利用具有统一输入输出的混合transformer架构来完成各种多模态知识图谱补全任务。此外，我们提出了多级融合，通过粗粒度前缀引导交互和细粒度相关感知融合模块集成视觉和文本表示。我们进行了广泛的实验来验证我们的 MKGformer 可以在多模态链接预测、多模态RE和多模态NER领域的四个数据集上获得 SOTA 性能。
Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531757
代码链接: https://github.com/zjukg/MorsE
论文机构: 浙大、华为等
论文分类: 知识图谱、元学习
论文总结: 知识图谱（KG）通常由大量三元组组成，最近研究者提出了许多知识图嵌入（KGE）方法来将知识图谱的实体和关系嵌入到连续向量空间中。这种嵌入方法简化了执行各种知识图谱内任务（例如，链接预测）和知识图谱外任务（例如，问答）的操作，它们可以被视为知识图谱的通用解决方案。但是，现有的知识图嵌入方法不适用于inductive settings，在该设置中，在源知识图谱上训练的模型将在目标知识图谱上进行测试，其中实体在模型训练期间不可见。现有的专注于知识图谱inductive settings的工作只能解决归纳关系预测任务，它们无法像知识图嵌入方法那样处理其他知识图谱外任务，因为它们不为实体生成嵌入。在本文中，为了实现归纳知识图嵌入，我们提出了一个模型 MorsE，它不学习实体的嵌入，而是学习可用于生成实体嵌入的可转移元知识。这种元知识由独立于实体的模块建模，并通过元学习来学习。实验结果表明，我们的模型在inductive settings中显著优于知识图谱内和知识图谱外任务的相应基线。
Re-thinking Knowledge Graph Completion Evaluation from an Information Retrieval Perspective
论文链接: https://arxiv.org/abs/2205.04105
代码链接: https://github.com/zhouying20/kgc-sparsity
论文机构: 中科院软件所、中南民族大学
论文分类: 知识图谱(补全)
论文总结: 知识图谱补全（KGC）旨在根据知识图谱中的已知事实推断缺失的知识三元组。当前的知识图谱补全研究大多遵循实体排序协议 (entity ranking protocol)，其中有效性是通过测试三元组中被屏蔽实体的预测排序来衡量的。然后，整体性能由所有单个回答实体的微观（平均）指标给出。由于大规模知识库的不完整性，这样的实体排序设置可能会受到未标记的排序靠前的正例影响，这引发了当前评估协议是否足以保证知识图谱补全系统公平比较的问题。为此，本文使用流行的微观指标系统研究了标签稀疏性是否以及如何影响当前的知识图谱补全评估。具体来说，受用于大规模信息检索 (IR) 实验的 TREC 范式的启发，我们按照 TREC 池化方法，根据流行的 FB15k-237 数据集的样本创建了一个相对“完整”的判断集。根据我们的分析，令人惊讶的是，从原始标签切换到我们的“完整”标签会导致 13 种流行的知识图谱补全模型在微观指标方面的系统排序发生巨大变化。进一步的研究表明，类 信息检索的宏观（平均）指标在不同的设置下更加稳定和具有区分性，同时受标签稀疏性的影响较小。因此，对于知识图谱补全评估，我们建议进行 TREC 风格的池化以平衡人工和标签完整性，并报告类似信息检索的宏观指标以反映知识图谱补全任务的排序性质。
2.3 图-点击率预估
Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532031
论文机构: 曼彻斯特大学、腾讯、德州大学阿灵顿分校
论文分类: 点击率预估、图网络
论文总结: 点击率 (CTR) 预测旨在估计用户点击某个项目的概率，是在线广告的重要组成部分。现有方法主要试图从用户的历史行为中挖掘用户兴趣，其中包含用户直接交互的项目。尽管这些方法取得了很大进展，但它们往往受到推荐系统直接曝光和不活跃交互的限制，因此无法挖掘所有潜在的用户兴趣。
为了解决这些问题，我们提出了基于 Neighbor Interaction 的 CTR 预测 (NI-CTR)，它在异构信息网络 (HIN) 设置下考虑了这项任务。简而言之，基于 Neighbor-Interaction 的 CTR 预测基于 HIN 中目标用户-项目对的局部邻域来预测它们的链接。为了指导局部邻域的表示学习，我们进一步从显式和隐式的角度考虑了局部邻域节点之间不同类型的交互，并提出了一种新颖的 Graph-Masked Transformer (GMT) 来有效地将这些类型的交互结合到为目标用户-项目对生成具有高度代表性的嵌入。此外，为了提高模型对邻域采样的鲁棒性，我们对邻域嵌入实施一致性正则化损失。我们对两个具有数百万实例的真实数据集进行了广泛的实验，实验结果表明，我们提出的方法显著优于最先进的 CTR 模型。同时，综合消融研究验证了我们模型每个组件的有效性。此外，我们已经在拥有数十亿用户的微信公众平台上部署了这个框架。在线 A/B 测试显示，与所有在线基线相比，CTR 平均提高了 21.9%。
(short paper) DisenCTR: Dynamic Graph-based Disentangled Representation for Click-Through Rate Prediction
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531851
论文机构: 北大、美团
论文分类: (动态)图网络、点击率预估
论文总结: 点击率 (CTR) 预测在推荐系统和其他应用程序中起着至关重要的作用。最近，建模用户行为序列引起了很多关注，并在 CTR 领域带来了很大的进步。许多现有的工作利用注意力机制或循环神经网络来利用序列中的用户兴趣，但未能认识到用户的实时兴趣本质上是多样化和流动的这一简单事实。在本文中，我们提出了 DisenCTR，这是一种新颖的基于动态图的解耦表示CTR 预测框架。与现有方法相比，我们方法的主要新颖之处在于对用户不断变化的不同兴趣进行建模。具体来说，我们构建了一个由历史交互引起的随时间变化的用户-项目交互图，并且基于图提供的丰富动态，我们提出了一个分离的图表示模块来提取不同的用户兴趣。我们进一步利用用户兴趣的流动性，并使用霍克斯混合过程模拟历史行为的时间效应。对三个真实世界数据集的广泛实验证明了我们的方法与最先进的方法相比具有卓越的性能。
2.4 图-对抗/去噪/纠偏
Learning to Denoise Unreliable Interactions for Graph Collaborative Filtering
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531889
代码链接:
(baseline) https://github.com/RUCAIBox/RecBole
论文机构: 人大、阿里
论文分类: 图网络、去噪、多任务学习
论文总结: 最近，图神经网络 (GNN) 作为一种有效的协同过滤 (CF) 方法已成功应用于推荐系统。然而，现有的基于 GNN 的协同过滤模型受到嘈杂的用户-项目交互数据的影响，这严重影响了实际应用中的有效性和鲁棒性。尽管已经有一些关于推荐系统中数据去噪的研究，但它们要么忽略了噪声交互在 GNN 的消息传播中的直接干预，要么在去噪时未能保持推荐的多样性。
为了解决上述问题，本文提出了一种新的基于 GNN 的协同过滤模型，称为鲁棒图协同过滤 (RGCF)，用于对推荐的不可靠交互进行去噪。具体来说，RGCF 由图去噪模块和多样性保持模块组成。图去噪模块旨在通过采用硬去噪策略（即丢弃被自信地估计为噪声的交互）和软去噪策略（即为每个剩余的交互分配可靠性权重）来减少噪声交互对 GNN 表示学习的影响。在多样性保持模块中，我们建立了一个多样性增强图，并提出了一个基于互信息最大化（MIM）的辅助自监督任务，用于增强去噪表示并保持推荐的多样性。这两个模块以多任务学习的方式集成在一起，共同提高了推荐性能。我们对三个真实世界的数据集和三个合成数据集进行了广泛的实验。实验结果表明，RGCF 对噪声交互的鲁棒性更强，与基线模型相比取得了显著的改进。
Less is More: Reweighting Important Spectral Graph Features for Recommendation
论文链接: https://arxiv.org/abs/2204.11346
代码链接: https://github.com/tanatosuu/GDE
论文机构: 京都大学、九州大学
论文分类: 图网络、去噪
论文总结: 尽管图卷积网络 (GCN) 在推荐系统和协同过滤 (CF) 取得了巨大成功，但它们如何促进推荐的机制，尤其是核心组件（即邻域聚合）尚未得到很好的研究。为了揭示 GCN 推荐的有效性，我们首先从光谱的角度对其进行分析，并发现了两个重要问题：（1）只有一小部分强调邻域平滑度和差异的光谱图特征有助于推荐准确性，而大多数图信息可以被认为是甚至降低性能的噪声，并且（2）邻域聚合的重复强调平滑特征并以无效的方式过滤掉噪声信息。基于上述两个发现，我们提出了一种新的 GCN 学习方案，通过将邻域聚合替换为简单而有效的图去噪编码器 (GDE)，该编码器充当带通滤波器来捕获重要的图特征。我们提出的方法减轻了过度平滑，并且与可以考虑任意跳邻域的无限层 GCN 相当。最后，我们动态调整负样本的梯度以加快模型训练，而不会引入额外的复杂性。在五个真实世界数据集上进行的大量实验表明，我们提出的方法不仅优于现有技术，而且比 LightGCN 实现了 12 倍的加速。
(short paper) Adversarial Graph Perturbations for Recommendations at Scale
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531763
论文机构: Visa研究院、莱斯大学
论文分类: 图网络、对抗训练
论文总结: 图神经网络 (GNN) 提供了一类强大的架构，可有效用于基于图的协同过滤。然而，众所周知，GNN 容易受到对抗性扰动的影响。对抗训练是提高神经模型鲁棒性的一种简单而有效的方法。例如，许多先前的研究将对抗性扰动注入到节点特征或GNN隐层中。然而，在推荐中对扰动图结构的研究要少得多。为了减小这一差距，我们提出 AdvGraph 来模拟 GNN 训练期间的对抗图扰动。我们的 AdvGraph 主要基于 min-max 鲁棒优化，其中通过内部最大化获得通用图扰动，而外部优化旨在计算 GNN 的模型参数。然而，由于图扰动的离散性质，直接优化内部问题具有挑战性。为了解决这个问题，进一步提出了一种无偏梯度估计器来计算离散变量的梯度。大量实验表明，我们的 AdvGraph 能够提高基于 GNN 的推荐器的泛化性能。
MGPolicy: Meta Graph Enhanced Off-policy Learning for Recommendations
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532021
代码链接:
https://www.dropbox.com/sh/9ugr1lx7gzwfub4/AABY46hVG6qKJnGAWjRJZMFKa?dl=0
论文机构: 悉尼科技大学、科廷大学、新南威尔士大学
论文分类: 图网络、Off-policy Learning、纠偏
论文总结: 异策略学习 (Off-policy learning)在推荐系统中引起了极大的关注，这为强化学习提供了一个放弃昂贵的在线训练的机会。然而，从记录数据中进行的异策略学习会受到由目标策略和日志记录策略之间的策略转换引起的偏差。因此，大多数非策略学习采用逆向倾向评分（inverse propensity scoring，IPS），但倾向于过拟合曝光的项目，因此无法探索未曝光的项目。在本文中，我们提出了元图增强异策略学习（MGPolicy），这是第一个通过上下文信息纠正异策略偏差的推荐模型。特别是，我们明确地利用元图中的丰富语义来表示用户状态，然后训练候选生成模型以促进在动作空间中的有效搜索。此外，我们的 MGpolicy 设计有反事实风险最小化，可以纠正策略学习偏差并最终产生有效的目标策略，以最大化推荐的长期回报。我们通过一系列模拟和大规模真实世界数据集广泛评估我们的方法，与最先进的方法相比，取得了有利的结果。
2.5 图-对比学习
如果感兴趣，可以阅读《SIGIR'22 推荐系统论文之对比学习篇》
Self-Augmented Recommendation with Hypergraph Contrastive Collaborative Filtering
论文链接: https://arxiv.org/pdf/2204.12200
代码链接: https://github.com/akaxlh/HCCF
论文机构: 港大、华南理工、百度等
论文分类: (图)对比学习、协同过滤
Knowledge Graph Contrastive Learning for Recommendation
论文链接: https://arxiv.org/abs/2205.00976
代码链接: https://github.com/yuh-yang/KGCL-SIGIR22
论文机构: 港大、武大
论文分类: (图)对比学习、知识图谱
A Review-aware Graph Contrastive Learning Framework for Recommendation
论文链接: https://arxiv.org/abs/2204.12063
论文机构: 合工大、清华
论文分类: (图)对比学习、基于评论的推荐
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
论文链接: https://arxiv.org/abs/2112.08679
代码链接: https://github.com/Coder-Yu/QRec
论文机构: 昆士兰大学、山大、格里菲斯大学
论文分类: (图)对比学习
(Short Paper) An MLP-based Algorithm for Efficient Contrastive Graph Recommendations
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531874
论文机构: 格拉斯哥大学
论文分类: 对比学习、图网络
(Short Paper) Multi-modal Graph Contrastive Learning for Micro-video Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532027
论文机构: 格拉斯哥大学
论文分类: (图) 对比学习、多模态、微视频推荐
2.6 图-POI
Hierarchical Multi-Task Graph Recurrent Network for Next POI Recommendation
论文链接: https://bhooi.github.io/papers/hmt_sigir22.pdf
代码链接: https://github.com/poi-rec/HMT-GRN
论文机构: GrabTaxi Holdings、新国立
论文分类: POI、多任务
论文总结: 如果感兴趣，可以阅读《SIGIR'22 推荐系统论文之POI篇》
Learning Graph-based Disentangled Representations for Next POI Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3532012
论文机构: 上交
论文分类: POI、图网络
论文总结: 下一个兴趣点 (POI) 推荐在许多基于位置的应用程序中起着至关重要的作用，因为它为用户提供关于有吸引力的目的地的个性化建议。由于用户的下一步动作与历史访问高度相关，因此在此任务中广泛使用循环神经网络等顺序方法来建模签到行为。然而，现有方法主要侧重于对签到序列的顺序规律性进行建模，而很少关注 POI 的内在特征，而忽略了 POI 不同方面产生的各种影响的纠缠。在本文中，我们提出了一种新的解耦表示增强注意力网络（DRAN）用于下一个 POI 推荐，它利用解耦表示来显式地建模不同方面和相应的影响，以更精确地表示 POI。具体来说，我们首先设计了一种传播规则，通过提炼两种类型的 POI 关系图来学习基于图的解耦表示，充分利用基于距离和基于转移的影响进行表示学习。然后，我们扩展注意力架构以聚合个性化的时空信息，以对下一个时间戳的动态用户偏好进行建模，同时保持解耦表示的不同组件独立。对两个真实世界数据集的广泛实验证明了我们的模型优于最先进的方法。进一步的研究证实了 DRAN 在解耦表示中的有效性。
2.7 图-多样性
DAWAR: Diversity-aware Web APIs Recommendation for Mashup Creation based on Correlation Graph
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531962
代码链接:
https://github.com/19801298287/DAWAR
论文机构: 中国农大、麦考瑞大学等
论文分类: 图网络(搜索)多样性、APIs推荐
论文总结: 如果感兴趣，可以阅读《SIGIR'22 推荐系统论文之多样性篇》
2.8 图-协同过滤
Graph Trend Filtering Networks for Recommendation
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531985
代码链接: https://github.com/wenqifan03/GTN-SIGIR2022
论文机构: 香港理工大学、密歇根州立大学、香港城市大学
论文分类: 图网络、协同过滤
论文总结: 推荐系统旨在为用户提供个性化服务，并在我们的日常生活中发挥着越来越重要的作用。推荐系统的关键是根据用户的历史在线行为（例如点击、加购、成交等）预测用户与项目交互的可能性。为了利用这些用户与项目的交互，人们越来越多地考虑用户项目交互作为用户项目二分图，然后通过图神经网络（GNN）在图中执行信息传播。鉴于 GNN 在图表示学习中的强大功能，这些基于 GNN 的推荐方法显著提高了推荐性能。尽管取得了成功，但大多数现有的基于 GNN 的推荐系统忽略了由不可靠行为（例如随机/诱饵点击）引起的交互的存在，并统一处理所有交互，这可能导致次优和不稳定的性能。在本文中，我们研究了现有的基于 GNN 的推荐方法的缺点（例如，非自适应传播和非鲁棒性）。为了解决这些缺点，我们引入了一种有原则的图趋势协同过滤方法，并提出了图趋势过滤网络推荐（GTN），它可以捕捉交互的自适应可靠性。综合实验和消融研究验证了所提出框架的有效性。
Investigating Accuracy-Novelty Performance for Graph-based Collaborative Filtering
论文链接: https://arxiv.org/abs/2204.12326
代码链接:
https://github.com/fuxiAIlab/r-AdjNorm (空repo)
论文机构: 网易游戏、合工大、浙工大
论文分类: 图网络、协同过滤
论文总结: 基于图的协同过滤 (CF) 模型通过将用户-项目交互行为作为图，借鉴了图神经网络 (GNN) 的成功，并迭代地执行邻域聚合以传播协作信号。虽然传统的协同过滤模型以面临有利于流行项目的流行度偏差的挑战而闻名，但人们可能想知道“现有的基于图的协同过滤模型是减轻还是加剧了推荐系统的流行度偏差？” 为了回答这个问题，我们首先调研现有基于图的协同过滤方法的准确性和新颖性的双重性能。实证结果表明，大多数现有的基于图的协同过滤模型采用的对称邻域聚合加剧了流行度偏差，并且随着图传播深度的增加，这种现象变得更加严重。此外，我们从理论上分析了基于图的协同过滤的流行度偏差的原因。然后，我们提出了一个简单而有效的插件，即 r-AdjNorm，通过控制邻域聚合过程中的归一化强度来实现准确性和新颖性的权衡。同时，r-AdjNorm 可以平滑地应用于现有的基于图的协同过滤主干网络，而无需额外的计算。最后，三个基准数据集的实验结果表明，我们提出的方法可以在不牺牲各种基于图的协同过滤主干网络准确性的前提下提高新颖性。
2.9 图-其他
(short paper) EFLEC: Efficient Feature-LEakage Correction in GNN based Recommendation Systems
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531770
论文机构: 华为 (加拿大)
论文分类: 图网络
论文总结: 基于图神经网络 (GNN) 的推荐系统是最先进的，因为它们可以捕获用户和项目之间的高阶协同信号。然而，它们存在特征泄漏问题，因为由边确定的标签信息可以通过由同一组边引导的 GNN 聚合过程泄漏到节点嵌入中，从而导致泛化性差。我们提出了准确的去除算法来生成最终的嵌入。对于每条边，两个端节点的嵌入在一个图上进行评估，并删除了该边。我们设计了一种代数技巧来有效地计算此过程，而无需为 LightGCN 模型显式构建单独的图。在四个数据集上的实验表明，我们的算法可以在具有稀疏交互的数据集上表现更好，同时显著减少训练时间。
(short paper) DH-HGCN: Dual Homogeneity Hypergraph Convolutional Network for Multiple Social Recommendations
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3477495.3531828
论文机构: 华南理工、佛罗里达大西洋大学、东北大学
论文分类: 图网络
论文总结: 社交关系通常作为辅助信息改进推荐系统。在现实世界中，用户之间的社交关系是复杂多样的。然而，大多数现有的推荐方法只假设单一的社交关系（即利用成对关系来挖掘用户偏好），而忽略了多方面社交关系对用户偏好的影响（即用户关系的高阶复杂度）。此外，一个观察事实是，相似的物品在曝光给用户时总是具有相似的吸引力，这表明物品的静态属性之间存在潜在的联系。在这里，我们提出超图卷积网络DH-HGCN 对来自社交关系和项目连接的双重同质性进行建模，以获得用户和项目之间的高阶相关性。具体来说，我们使用情感分析来提取评论关系，并使用 k-means 聚类来构建项目-项目相关性，然后我们在一个统一的框架中优化这些异构图。对两个真实世界数据集的广泛实验证明了我们模型的有效性。
3. 参考文献
[1] SIGIR 2022 | 推荐系统相关论文分类整理
[2] SIGIR 2022 推荐系统论文整理分类
