基于图的隐式反馈协同过滤
信息检索
2018-03-12 v1
摘要
在矩阵分解（MF）方法中引入已消费物品作为用户的隐式反馈，SVD++ 是个性化推荐系统中最有效的协同过滤方法之一。尽管强大，SVD++ 有两个局限：(i). 仅利用了用户侧隐式反馈，而同样可丰富物品表示的物品侧隐式反馈未被利用；(ii). 在 SVD++ 中，结合隐式反馈时交互物品被等权处理，无法准确反映用户真实偏好。为应对上述局限，本文提出基于图的协同过滤（GCF）模型、加权基于图的协同过滤（W-GCF）模型与注意力基于图的协同过滤（A-GCF）模型，其 (i). 基于用户-物品二部图将隐式反馈推广至物品侧；(ii). 灵活学习隐式反馈中个体的权重，从而提升模型能力。综合实验表明，我们提出的模型优于 SOTA 模型。对于稀疏隐式反馈场景，利用二阶隐式反馈信息进一步获得额外提升。
引用
@article{arxiv.1803.03502,
title = {Collaborative Filtering with Graph-based Implicit Feedback},
author = {Minzhe Niu and Weinan Zhang and Yanru Qu and Xuezhi Cao and Ruiming Tang and Xiuqiang He and Yong Yu},
journal= {arXiv preprint arXiv:1803.03502},
year = {2018}
}
备注
8 pages, 7 figures