A Vlogger-augmented Graph Neural Network Model for Micro-video Recommendation

现有的微视频推荐模型利用用户和微视频之间的交互和/或微视频的多模态信息来预测用户将观看的下一个微视频，忽略了与微视频制作者即vlogger相关的信息。然而，在微视频场景中，vlogger在用户视频交互中扮演着重要角色，因为vlogger通常关注特定主题，用户倾向于关注他们感兴趣的vlogger。因此，在本文中，我们提出了一个考虑vlogger影响的vlogger增强图神经网络模型VA-GNN。具体来说，我们构建了一个三分图，其中用户、微视频和vlogger作为节点，从不同视角捕捉用户的偏好，即视频视图和vlogger视图。此外，我们进行跨视图对比学习，以保持两个不同视图的节点嵌入之间的一致性。此外，在预测下一个用户视频交互时，我们自适应地结合了用户对视频本身和其vlogger的偏好。我们在两个真实世界数据集上进行了广泛的实验。实验结果表明，VA-GNN优于多个现有的基于GNN的推荐模型。

论文提出了一个考虑到视频制作者因素的视频推荐模型，以往的模型忽略了制作者的影响，这个问题是否新颖？

论文提出了一个基于三部图的VA-GNN模型，将用户、视频和视频制作者作为节点，分别从视频和制作者两个视角捕捉用户偏好，同时进行交叉视图对比学习，适应性地结合用户对视频和制作者的偏好来预测用户下一个视频互动。

论文使用了两个真实数据集进行了广泛的实验，结果表明VA-GNN模型优于多个现有的基于GNN的推荐模型。此外，论文还强调了制作者的重要性，提出了一个新的解决方案。

最近的相关研究包括《Deep Neural Networks for YouTube Recommendations》、《Session-based Recommendations with Recurrent Neural Networks》等。