用于推荐的定向扩散图 Transformer

在现实世界的推荐系统中，隐式收集的用户反馈虽然丰富，但通常包含带有噪声的假阳性和假阴性交互。用户-项目交互的潜在误判给传统图神经推荐系统带来了巨大挑战。这些方法基于隐式的用户-项目交互聚合用户或项目的邻居，以准确捕获用户的画像。为了在图神经推荐系统中考虑并建模用户交互中可能的噪声，我们提出了一种用于 top-k 推荐的新型扩散图 Transformer（Diffusion Graph Transformer, DiffGT）模型。我们的 DiffGT 模型采用扩散过程，包括一个向前阶段（逐步向隐式交互引入噪声）和一个逆向过程（迭代地细化用户隐藏偏好的表示，即去噪过程）。在我们提出的方法中，鉴于用户-项目交互图中固有的各向异性结构，我们在前向扩散过程中专门使用了各向异性和定向的高斯噪声。我们的方法不同于现有扩散模型中仅使用各向同性高斯噪声的做法。在逆向扩散过程中，为了逆转先前添加的噪声影响并恢复用户的真实偏好，我们将图 Transformer 架构与线性注意力模块相结合，以有效且高效地对带噪用户/项目嵌入进行去噪。此外，这种逆向扩散过程进一步由个性化信息（例如，已交互的项目）引导，以实现对用户项目偏好的准确估计。我们的大量实验确凿地证明了，我们提出的图扩散模型在三个基准数据集上优于十种现有的 SOTA 方法。