面向跨域推荐的行为重要性感知图神经网络架构搜索
信息检索
2025-04-11 v1 机器学习
摘要
跨域推荐（CDR）可缓解推荐系统中的数据稀疏和冷启动问题。虽然近期基于图神经网络（GNN）的CDR方法捕捉复杂的用户-物品交互，但依赖手动设计的架构，往往次优且耗力。此外，从源域提取有价值的行为信息以提升目标域推荐仍具挑战。为此，我们提出行为重要性感知图神经网络架构搜索（BiGNAS），一个联合优化GNN架构与数据重要性的框架。BiGNAS包含两个关键组件：跨域定制超网络与图基行为重要性感知器。超网络作为一种无需重新训练的单次模块，可自动为每个域搜索最优GNN架构。感知器通过辅助学习动态评估源域行为的重要性，从而提升目标域推荐。在基准CDR数据集和大规模行业广告数据集上的实验表明，BiGNAS consistently优于最先进的基线方法。鉴于本文首创性地联合优化GNN架构与行为数据重要性，此项工作在跨域推荐领域具有里程碑意义。
引用
@article{arxiv.2504.07102,
title = {Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation},
author = {Chendi Ge and Xin Wang and Ziwei Zhang and Yijian Qin and Hong Chen and Haiyang Wu and Yang Zhang and Yuekui Yang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2504.07102},
year = {2025}
}
备注
AAAI 2025 Oral