GraphRec阅读笔记《Graph Neural Networks for Social Recommendation

1、问题和任务描述

给出两种图结构：

问题：假设朋友之间会有相似的喜好，通过user-user关系图中的朋友关系来强化当前user的embedding。

任务：预测缺失的用户评分（rating prediction）。

user-item交互图：和之前的不同之处在于，行是user，列是item，边权重为用户对item的评分：整型值rating「1，2，3，4，5」；0表示没有进行评分。
user-user关系图：1代表边有连接关系，0表示没有。
$p_i$ 表示原始user embedding， $q_j$ 表示原始item embedding， $e_r$ 表示rating embedding。

类似一般user-item图中，user对邻居item进行聚合的操作，得到 $h_i^I$ 。不同之处是加入了rating embedding的GAT。

$x_{ia}$ 表示用户 $u_i$ 和商品 $v_a$ 的交互表示， $e_r$ 为rating embedding，可以视为边的表示：

（MLP）

$\alpha_{ia}^*$ 表示（邻居）商品 $v_a$ 对用户 $u_i$ 的注意力权重：

user聚合邻居item得到表示：

问题	解释
为什么先算出 $x_{ia}$ 然后再计算注意力系数的时候才和 $p_i$ 拼接？而不是直接在计算注意力系数的时候拼接 $e_r, p_i, q_a$ ?	把item的表示和rating的表示看做一个整体，user聚合的是“物品的评分”的表示。

user-user图中，根据2.1中生成的 $h_i^I$ ，user对邻居user的 $h_i^I$ 进行聚合，得到 $h_i^S$ 。

$h_i^L$ 和 $h_i^S$ concat后过一个MLP得到 $h_i$ 。

问题	解释
为什么计算注意力系数的时候把 $h_o^I$ 和 $p_i$ 拼接？而不是把 $h_o^I$ 和 $h_i^I$ 拼接?或者把 $p_j$ 和 $p_i$ 拼接?	$p_i$ 表示当前user（目标节点）的原始表示， $h_o^I$ 表示邻居user在2.1中聚合item后生成的表示（代表邻居user o的潜在兴趣）；在计算注意力系数的过程中，希望既能保留user本身的表示，又能用到邻居user的潜在兴趣。