缓解行为数据不平衡的多行为图协同过滤
信息检索
2023-11-14 v1 人工智能
摘要
图协同过滤通过在用户-物品交互图上进行消息传播来学习用户与物品表示，已被证明能有效提升推荐性能。然而，尽管用户在真实平台上有包括点击、加购和购买等多种类型的行为，当前大多数图协同过滤模型主要在单一行为域（如点击）上构建交互图。此外，由于用户参与度的差异，不同类型行为的规模存在不平衡。例如，用户可能点击并浏览多个物品，但仅从中少量子集进行选择性购买。如何缓解行为不平衡问题并同时利用多行为图的信息以改善目标行为转化（如购买）仍待探索。为此，我们提出 IMGCF，一种简单而有效的模型，用于缓解多行为图协同过滤中的行为数据不平衡。具体而言，IMGCF 采用多任务学习框架在多行为图上进行协同过滤。随后，为缓解数据不平衡问题，IMGCF 通过利用从数据量充足的行为域学到的表示来改进稀疏行为上的表示学习。在两个广泛使用的多行为数据集上的实验证明了 IMGCF 的有效性。
引用
@article{arxiv.2311.06777,
title = {Alleviating Behavior Data Imbalance for Multi-Behavior Graph Collaborative Filtering},
author = {Yijie Zhang and Yuanchen Bei and Shiqi Yang and Hao Chen and Zhiqing Li and Lijia Chen and Feiran Huang},
journal= {arXiv preprint arXiv:2311.06777},
year = {2023}
}
备注
accepted by ICDM2023 Workshop