解耦级联图卷积网络用于多行为推荐
信息检索
2024-04-18 v1
摘要
多行为推荐系统作为一种解决方案，通过融合目标行为之外的辅助行为来缓解数据稀疏和冷启动问题。然而，现有模型在准确捕捉用户在不同行为下的偏好变化方面存在挑战，并且未能考虑行为内不同物品的偏好差异。各种用户偏好因素（如价格或质量）嵌入行为中，可能导致次优问题。此外，这些模型忽略了用户行为偏好的个人化特征，通过为所有用户和物品采用统一的转换网络。为解决这些挑战，我们提出了一种名为Disen-CGCN的解耦级联图卷积网络（Disentangled Cascaded Graph Convolutional Network），这是一种新型的多行为推荐模型。Disen-CGCN采用解耦表示技术有效分离用户和物品表示中的因素，确保其独立性。此外，它引入多行为元网络，实现用户和物品行为之间的个性化特征转换。进一步地，注意力机制捕捉用户在每个行为中对不同物品因素的偏好。通过利用注意力权重，我们分别为每个行为聚合用户和物品嵌入，计算偏好分数以预测用户对物品的整体偏好。我们在基准数据集上的评估表明，Disen-CGCN相对于最先进的模型具有优势，分别在各自数据集上实现平均性能提升7.07%和9.00%。这些结果凸显了Disen-CGCN有效利用多行为数据，实现更精确推荐的能力。
引用
@article{arxiv.2404.11519,
title = {Disentangled Cascaded Graph Convolution Networks for Multi-Behavior Recommendation},
author = {Zhiyong Cheng and Jianhua Dong and Fan Liu and Lei Zhu and Xun Yang and Meng Wang},
journal= {arXiv preprint arXiv:2404.11519},
year = {2024}
}