基于 ID 的粗到细轻量级元嵌入推荐

最新推荐系统已转向高效推荐，例如在内存受限条件下的设备端推荐。为此，现有方法要么聚焦于针对用户和物品构建轻量级嵌入，要么利用紧凑嵌入实现设备端系统的可重用性并降低空间复杂度。然而，这些方法仅关注嵌入的粗粒度，忽略了细粒度语义细微差别，严重损害元嵌入捕捉用户和物品之间复杂关系的效果，导致推荐效果次优。本文旨在研究如何高效学习多粒度语义，以及如何利用细粒度元嵌入强化粗粒度元嵌入的表征。为此，我们构建一种基于图神经网络（GNN）的新型推荐器，其中每个用户和物品充当节点，直接连接到粗粒度虚拟节点，间接连接到细粒度虚拟节点，确保不同粒度语义的学习，具体体现在：1) 与粗粒度语义相比，细粒度语义通过稀疏元嵌入获得良好捕捉，这些稀疏元嵌入能自适应地2) 在嵌入唯一性和内存约束之间进行平衡。此外，初始化方法基于稀疏 PCA，随后引入软阈值激活函数以实现元嵌入的稀疏性。我们提出一种权重桥接更新策略，聚焦于根据用户/物品语义将每个粗粒度元嵌入匹配到多个细粒度元嵌入。大量实验表明，我们的方法在现有基准上具有显著优势。我们的代码已公开于 https://github.com/htyjers/C2F-MetaEmbed。