基于聚类的图协同过滤

图卷积网络在学习用户和物品表示用于推荐系统方面取得了显著成功。其功效的核心在于能够显式利用来自一阶和高阶邻居节点的协同信号。然而，大多数现有的基于GCN的方法在执行高阶图卷积时忽略了用户的多重兴趣。因此，来自不可靠邻居节点（例如，兴趣不同的用户）的噪声信息对目标节点的表示学习产生负面影响。此外，在不区分高阶邻居的情况下进行图卷积操作，在堆叠更多层时会遭受过平滑问题，导致性能下降。在本文中，我们旨在从高阶邻居节点中捕获更有价值的信息，同时避免噪声，以便更好地学习目标节点的表示。为了实现这一目标，我们提出了一种新的基于GCN的推荐模型，称为基于聚类的图协同过滤（ClusterGCF）。该模型在聚类特定图上执行高阶图卷积，这些图通过捕获用户的多重兴趣并识别它们之间的共同兴趣来构建。具体来说，我们设计了一种无监督且可优化的软节点聚类方法，将用户和物品节点分类到多个聚类中。基于软节点聚类结果和用户-物品交互图的拓扑结构，我们为节点分配不同聚类的概率，以构建聚类特定图。为了评估ClusterGCF的有效性，我们在四个公开数据集上进行了大量实验。实验结果表明，我们的模型可以显著提高推荐性能。