DGR：一种基于全局与局部视角的通用图去平滑推荐框架
信息检索
2024-04-23 v2
摘要
图卷积网络（GCN）已成为推荐系统中通过学习用户 - 物品交互图的节点信息和拓扑结构来学习用户和物品嵌入的关键技术。然而，这些模型常常面临著名的过平滑问题，导致用户和物品嵌入区分度降低，个性化能力减弱。基于 GCN 的系统中的传统去平滑方法通常是特定于模型的，缺乏通用的解决方案。本文提出了一种名为基于 GCN 的推荐系统去平滑框架（DGR）的新型模型无关方法。它通过同时考虑全局和局部视角，有效地解决了通用基于 GCN 的推荐模型中的过平滑问题。具体而言，我们首先在每个消息传递层引入向量扰动，以在全局拓扑结构的指导下惩罚节点嵌入过度趋同的倾向。同时，我们进一步为读出嵌入设计了定制的损失项，以保留用户与其邻近物品之间的局部协同关系。特别是，那些与邻近物品表现出高相关性的物品也被纳入其中，以增强局部拓扑信息。为了验证我们的方法，我们在 5 个基准数据集上基于 5 个知名的基于 GCN 的推荐模型进行了广泛的实验，证明了所提出框架的有效性和泛化能力。
引用
@article{arxiv.2403.04287,
title = {DGR: A General Graph Desmoothing Framework for Recommendation via Global and Local Perspectives},
author = {Leilei Ding and Dazhong Shen and Chao Wang and Tianfu Wang and Le Zhang and Yanyong Zhang},
journal= {arXiv preprint arXiv:2403.04287},
year = {2024}
}