论文介绍
近年来，图卷积网络(Graph Convolutional Networks, GCNs)为社交网络分析的发展提供了新的视角。然而，现有的基于GCN的社交推荐方法往往直接将GCN应用于社交推荐任务，主要有两个主要的限制:
(a)由于度分布的幂律性质，使用静态归一化邻接矩阵的普通GCN在学习良好的节点表示方面有局限性，特别是长尾节点;
(b)很少考虑现实世界中用户之间的多类型社交关系。
本文提出了一种新的双边滤波异构注意力网络(BFHAN)学习社会推荐中的长尾节点表征和多重社会关系的影响。第一，我们建立双边关系，将用户-项二部网络的图卷积滤波器推广到用户-用户多层网络中。此外,我们从理论上分析了不同图卷积滤波器的收敛值与节点度之间的相关性。其次，我们将用户之间的多关系交互建模为多重网络，并进一步提出一种多重注意力网络，以捕捉用不同层对于用户表示的影响。
实验结果表明，我们的模型优于现有的基于GCN的多关系社会推荐方法。
期刊介绍
TOIS期刊全名ACM Transactions on Information Systems，是SCI收录国际期刊，CCF推荐A类期刊，JCR：Q1，中科院3区，影响因子2.889。该期刊主要覆盖数据智能、信息系统相关的前沿工作，是人工智能、数据挖掘等领域的顶级学术期刊之一。
论文地址
https://dl.acm.org/doi/10.1145/3469799
