Interest-based Message-passing GCN of Recommendation (WWW2021)

ABSTRACT

该技术在推荐系统中展现出显著的潜力。这些模型得益于它们能够利用来自高阶邻居的协作信号来学习高质量的用户和项目嵌入的能力。与大多数GCN模型类似，在使用多层架构时也会面临一个众所周知的问题——随着层数增加而出现过度平滑现象而导致性能下降。尽管LightGCN和LR-GCN等方法在这方面有所改进，在一定程度上缓解了这一问题；然而我们发现现有研究仍存在一个重要缺陷：即未能充分考虑用户共同兴趣这一重要因素——即使高阶相邻用户也没有共同的兴趣也可能会参与用户的图形卷积操作中的嵌入学习过程。因此，在多层图卷积架构下兴趣差异较大的用户反而可能拥有更为相似的嵌入表示这种现象值得深入研究并加以解决。为此我们提出了一种新的兴趣感知消息传递型图卷积神经网络（IMP-GCN）这种新方法的核心在于它采用了子图内部进行高阶图卷积的方式进行建模：其中子图由具有相似兴趣特征的用户及其交互过的项目所构成为了构建这样的子图我们设计了一个无监督式的子图生成模块该模块通过融合用户的特征信息以及全局图结构信息能够有效地识别出具有共同兴趣特征的用户群体进而避免将来自非相关用户的负向信息引入到嵌入学习过程中。具体而言我们的实验表明通过叠加更多的层数IMP-GCN能够在多个大规模基准数据集上实现性能上的显著提升并且其优势表现得尤为明显地优于现有基于单一层架构的经典GCN推荐方法

1 INTR