A^2-GCN：一种用于推荐的属性感知注意力 GCN 模型
信息检索
2020-03-23 v1
摘要
作为重要的辅助信息，属性已被现有推荐系统广泛利用以提升性能。在真实场景中，物品/用户的部分属性缺失（如某些电影缺失类型数据）十分常见。先前研究通常使用默认值（即“其他”）表示缺失属性，导致次优性能。为解决该问题，本文提出一种属性感知注意力图卷积网络（A-GCN）。具体而言，我们首先构建图，其中用户、物品与属性为三类节点，其关联为边。随后，利用图卷积网络刻画<用户, 物品, 属性>之间复杂的交互。为学习节点表示，我们借助消息传递策略聚合来自其他直接相连类型节点（如用户或属性）传递的消息。由此，我们能够引入关联属性以增强用户与物品表示，从而自然解决属性缺失问题。考虑到对于不同用户，物品属性对其该物品偏好具有不同影响，我们设计了一种新颖注意力机制，通过考虑属性信息来过滤从物品传递至目标用户的消息。我们在多个公开数据集上进行了大量实验以验证模型。结果表明，我们的模型优于若干当前最优方法，并证明了注意力方法的有效性。
引用
@article{arxiv.2003.09086,
title = {A^2-GCN: An Attribute-aware Attentive GCN Model for Recommendation},
author = {Fan Liu and Zhiyong Cheng and Lei Zhu and Chenghao Liu and Liqiang Nie},
journal= {arXiv preprint arXiv:2003.09086},
year = {2020}
}
备注
This paper has been submitted to IEEE TKDE