用于推荐系统重训练的因果增量图卷积
机器学习
2022-03-02 v2 人工智能
摘要
真实世界的推荐系统需要定期重训练以跟上新数据。本文中，我们考虑如何高效地重训练基于图卷积网络（GCN）的推荐模型，该类模型是协同推荐的最先进方法。为追求高效率，我们设定目标为仅使用新数据进行模型更新，同时不牺牲与全模型重训练相比的推荐精度。这难以实现，因为交互数据既参与用于模型构建的图结构，又参与用于模型学习的损失函数，而在模型更新中不允许使用旧图结构。为实现该目标，我们提出一种因果增量图卷积方法，其包含两个新算子——增量图卷积（IGC）与碰撞效应蒸馏（CED），用以估计全图卷积的输出。具体而言，我们为 IGC 设计简单而有效的模块，巧妙结合旧表示与增量图，并有效融合长期与短期偏好信号。CED 旨在避免增量图中未包含的不活跃节点的过时问题，其通过因果推断将新数据与不活跃节点相连。特别地，CED 通过对撞机（collider）的控制来估计新数据对不活跃节点表示的因果效应。在三个真实世界数据集上的大量实验证明了相较于现有重训练机制在精度提升与显著加速两方面的优势。
引用
@article{arxiv.2108.06889,
title = {Causal Incremental Graph Convolution for Recommender System Retraining},
author = {Sihao Ding and Fuli Feng and Xiangnan He and Yong Liao and Jun Shi and Yongdong Zhang},
journal= {arXiv preprint arXiv:2108.06889},
year = {2022}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems