准则感知图过滤：极快且精确的多准则推荐

多准则（MC）推荐系统利用MC评级信息进行推荐，在各类电子商务领域日益普及。然而，基于训练的协同过滤进行MC推荐通常需要考虑多个评级，这与单准则 counterparts 相比常在实现最佳性能及可扩展模型训练方面存在实际挑战。为解决此问题，我们提出了CA-GF，即基于准则感知图过滤的训练-free MC推荐方法，以实现高效且准确的MC推荐。具体而言，我们首先使用MC用户扩展图构建项目-项目相似图。接下来，我们设计CA-GF，包括以下关键组件：1）准则特定图过滤，其中使用各类多项式低通滤波器找到每个准则的最优滤波器，以及2）准则偏好感知聚合，其中来自每个准则的平滑信号被聚合。我们展示了CA-GF是（a）高效：提供计算效率，即使在最大基准数据集上也能实现小于0.2秒的极快运行时长，（b）准确：超越基准MC推荐方法，实现了相较于最佳竞争者最高达24%的显著精度提升，以及（c）可解释：基于可视化提供对每个准则对模型预测贡献的解释。