基于用户-物品图拓扑的 GNNs 推荐系统新型评估视角
信息检索
2024-08-22 v1
摘要
最近，基于图神经网络（GNNs）的推荐系统取得了很大成功。随着GNN方法数量的不断增加，一些研究开始质疑其卓越性能背后的理论与经验原因。然而，这种调查仍忽视了GNN将推荐数据视为拓扑图结构。基于此假设，在本工作中，我们为GNN推荐系统提供一种新颖的评估视角，探讨图拓扑对推荐性能的影响。为此，我们选取一些（拓扑）属性的推荐数据并选择三个GNN推荐系统（即LightGCN、DGCF和SVD-GCN）。然后，从三个流行的推荐数据集（即Yelp2018、Gowalla和Amazon-Book）中抽样以获得1800个规模缩小后的数据集，这些数据集仍类似于原始数据集，但能够涵盖更广泛的拓扑结构。我们使用这一程序构建一个大型样本池，对所选GNN模型的数据特征和推荐性能进行测量。通过解释框架，我们发现图拓扑与GNN性能之间存在强烈的对应关系，为这些模型提供了一种新颖的评估视角。
引用
@article{arxiv.2408.11762,
title = {A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph},
author = {Daniele Malitesta and Claudio Pomo and Vito Walter Anelli and Alberto Carlo Maria Mancino and Tommaso Di Noia and Eugenio Di Sciascio},
journal= {arXiv preprint arXiv:2408.11762},
year = {2024}
}
备注
Accepted at RecSys 2024 in the reproducibility track. arXiv admin note: substantial text overlap with arXiv:2308.10778