题目： A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks
作者：

原文链接： https://www.researchgate.net/publication/343780326_A_Framework_for_Recommending_Accurate_and_Diverse_Items_Using_Bayesian_Graph_Convolutional_Neural_Networks
代码：

关键词： 推荐系统； 贝叶斯； 图卷积神经网络；

总结

看不懂下一个！！！

摘要

问题：

① 没有观察到的user-item交互当作消极样本不对，有时候user会选择这些
② user-item也会存在虚假的交互

方法：

使用贝叶斯图卷积神经网络框架对用户-物品交互图中的不确定性建模。
损失： 利用贝叶斯概率排序训练损失提供一个具体的公式

数据集： four benchmark；an industrial large-scale dataset；

1. 介绍

协同过滤： 给用户推荐相似的物品
其中MF（matrix factorization）模型在Netflix上实现了最好的性能； 它被期望可以学习出user的偏好向量以及item的向量；
现在随着深度学习的发展，许多user和item之间非线性的关系也可以被学习到（隐藏的兴趣）；

基于MF的方法有三大问题： 疏性问题、不确定性问题和多样性问题。稀疏问题指的是user-item历史交互不多； 不确定性问题指的是收集的数据不能确定是不是positive和negative！ 不能全部认为收集到的交互就是GT交互，也由于物品从未呈现给用户， 一些潜在的用户与物品的交互就会被丢失。 多样性问题指的是： Top-N推荐中推荐的物品都是各自为战，相互不影响，却忽视了Top-N推荐中应该是多种物品进行推荐！

基于图的方法中则将user-item 交互看做成二部图，也就是用户之间的相似性和项目的共性分别表示为user-user和item-item！ 之后采用GCNs从利用神经网络从局部图中迭代学习（aggregation）到特征信息。 其中提出的系统利用来自异构交互类型（搜索、引导、点击等）或交互动机的user-item交互图、user-user和（或）item-item共存图和异构图。

基于图的推荐系统中却仍然存在不确定性和缺乏多样性两个缺点。1. 不确定性可以这样理解， 如果一个人从其他商店购买了，那么就会和该商店的item距离远了，那么就不在当前购买记录了！ 而图的边并不能包含全部历史记录，除此之外，用户的错点现象也是不确定的； 2. 现在的方法同样无法解决多样性问题，局部图迭代学习反而使得item的embedding更接近！ 而扩大范围又会引入更多的噪音！

BGNNs（贝叶斯图神经网络）： 该网络中包含了节点复制的随机图生成模型，节点复制模型可用于生成与观察到的图相似的样本图，但它们在边方面包含足够的多样性，以促进更好的学习！贝叶斯GNN以前没有被用于推荐任务，但已经证明，当训练标签很少时，它们可以在半监督节点分类中产生显著的性能改进

贡献就是摘要中的方法和数据集

3. preliminaries

根据上面的分析，创新点就是图的不确定性、节点复制的生成图模型和贝叶斯个性化排名损失。 我们下面看看这三部分具体是什么样子的！

3.1 贝叶斯图卷积网络

由于推荐系统二部图中不存在固有的块结构，因此MMSBM不是一种适用的图模型。作为一种替代方案，我们使用一种更通用的基于复制节点的图生成模型。

3.2 Node Copying

在【24】中介绍了Node Copying， 样本会通过在观察图的邻接矩阵进行概率性的重新排列（替换）而产生的！ 其中${\mathcal{G}}_{obs}$ 是被观察图

完整的图抽样过程包括两个阶段， 第一是获取随机$\zeta$， 第二是，一旦随机$\zeta$被获取了， 通过对每个节点执行具有一定概率的复制，增加了第二层随机性

【24】Bayesian Graph Convolutional Neural Networks using Node Copying

3.3 隐式推荐的贝叶斯个性化排名损失

在[26]中，Rendle等人引入了基于贝叶斯模型的推荐系统排名损失。在这项工作中，我们建立在该模型的基础上，将其扩展到考虑节点复制BGNN的多个图

【26】Bayesian Personalized Ranking from Implicit Feedback