SIGIR 2019 开源论文 | 基于图神经网络的协同过滤算法

作者：菜鸟追梦旅行 | 2024-05-21 16:39:45

踩

图神经网络协同过滤模型

640

作者丨纪厚业

单位丨北京邮电大学博士生

研究方向丨异质图神经网络，异质图表示学习和推荐系统

640?wx_fmt=png

引言

协同过滤作为一种经典的推荐算法在推荐领域有举足轻重的地位。协同过滤（collaborative filtering）的基本假设是相似的用户会对物品展现出相似的偏好。

总的来说，协同过滤模型主要包含两个关键部分： 1）embedding，即如何将 user 和 item 转化为向量表示； 2）interaction modeling，即如何基于 user 和 item 的表示来重建它们的历史交互。

传统协同过滤算法（如经典的矩阵分解和神经矩阵分解）本质还是给 user 和 item 初始化一个 embedding，然后利用交互信息来优化模型。它们并没有把交互信息编码进 embedding 中，所以这些 embedding 都是次优的。

直观地理解，如果能将 user-item 的交互信息编码进 embedding 中，将提升 embedding 的表示能力进而提升模型的预测能力。本文的主要创新点在于 利用二部图神经网络将 User-Item 的历史交互信息编码进 Embedding 进而提升推荐效果。更重要的是，本文显式地考虑 User-Item 之间的高阶连接性来进一步提升 embedding 的表示能力。

640?wx_fmt=png

图 1 展示了一个 user-item 的二部图及 u1 的高阶连接性。u1 的高阶连接性表示 u1 通过长度大于 1 的路径连接到的节点。例如，u1 通过长度 l=2 的路径连接到 u2 和 u3 ，这代表 u1 的 2 阶连接性；u1 通过长度 l=3 的路径连接到 i4 ，i5，这代表 u1 的 3 阶连接性。需要注意的是，虽然 i4 和 i5 都是 u1 的 3 阶邻居，但是 i4 可以通过更多的路径连接到 u1 ，所以 i4 与 u1 的相似度更高。

模型

模型主要分为 3 个部分：1）Embedding Layer：将 user 和 item 的 ID 映射为向量表示；2）Embedding Propagation Layers：将初始的 user 和 item 表示基于图神经网络来更新；3）Prediction：基于更新后的 user 和 item 表示来进行预测。模型架构图见 Figure 2。

640?wx_fmt=png

Embedding Layer

这里对 User

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/菜鸟追梦旅行/article/detail/603597