面向多行为推荐的级联残差图卷积网络
信息检索
2023-07-13 v2
摘要
多行为推荐利用多种类型的用户—物品交互，以缓解传统模型仅使用单一交互进行推荐所面临的数据稀疏问题。在真实场景中，用户常采取一系列动作与物品交互，以获取关于该物品的更多信息，从而准确评估物品是否符合个人偏好。这些交互行为通常遵循特定顺序，且不同行为揭示了用户针对目标物品偏好的不同信息或方面。现有多数多行为推荐方法采用先从不同行为分别提取信息再融合以进行最终预测的策略。然而，它们未利用不同行为间的关联来学习用户偏好。此外，它们常引入复杂模型结构与更多参数来建模多种行为，大幅增加了空间与时间复杂度。本工作中，我们提出一种轻量级多行为推荐模型，简称为级联残差图卷积网络（CRGCN），它能在不引入任何额外参数的情况下，将不同行为间的关联显式利用到嵌入学习过程中。具体而言，我们设计了一种级联残差图卷积网络结构，使模型能通过在不同类型行为间持续精炼用户嵌入来学习用户偏好。采用多任务学习方法基于不同行为联合优化模型。在两个真实世界基准数据集上的大量实验结果表明，CRGCN能大幅优于最先进的方法。进一步研究还分析了利用不同数量与顺序的多行为对最终性能的影响。
引用
@article{arxiv.2205.13128,
title = {Cascading Residual Graph Convolutional Network for Multi-Behavior Recommendation},
author = {Mingshi Yan and Zhiyong Cheng and Chen Gao and Jing Sun and Fan Liu and Fuming Sun and Haojie Li},
journal= {arXiv preprint arXiv:2205.13128},
year = {2023}
}