面向推荐系统的协作感知图卷积网络
信息检索
2023-02-21 v4 机器学习
摘要
图神经网络（GNNs）凭借隐式捕捉协作效应的消息传递机制，已成功应用于推荐系统。然而，现有多数面向推荐的传递机制直接沿用自 GNNs，而未审视所捕捉的协作效应是否有助于用户偏好预测。本文首先分析消息传递如何捕捉协作效应，并提出一种面向推荐的拓扑度量——共同交互比（Common Interacted Ratio, CIR），用于衡量节点某一特定邻居与其余邻居之间的交互水平。在论证利用高 CIR 邻居协作有益之后，我们提出了一种为推荐定制的 GNN——协作感知图卷积网络（Collaboration-Aware Graph Convolutional Network, CAGCN），其在区分非二部子图同构图方面超越了 1-Weisfeiler-Lehman（1-WL）测试。在六个基准数据集上的实验表明，最优 CAGCN 变体在 Recall@20 上比最具代表性的基于 GNN 的推荐模型 LightGCN 高出近 10%，同时实现约 80% 的加速。我们的代码已公开于 https://github.com/YuWVandy/CAGCN。
引用
@article{arxiv.2207.06221,
title = {Collaboration-Aware Graph Convolutional Network for Recommender Systems},
author = {Yu Wang and Yuying Zhao and Yi Zhang and Tyler Derr},
journal= {arXiv preprint arXiv:2207.06221},
year = {2023}
}