解耦图协同过滤
信息检索
2020-07-06 v1 机器学习
摘要
从交互数据中学习用户与物品的有效表示对协同过滤（CF）至关重要。现有嵌入函数利用用户-物品关系来丰富表示，从单一用户-物品实例演进到整体交互图。然而，它们大多以统一方式建模关系，忽视了用户采用物品的意图多样性——可能是消磨时间、出于兴趣，或为家人等他人购物。这种统一建模用户兴趣的方式易导致次优表示，无法建模多样关系并在表示中解耦用户意图。本工作中，我们特别关注在用户意图更细粒度上的用户-物品关系。为此设计新模型——解耦图协同过滤（DGCF），以解耦这些因素并产生解耦表示。具体而言，通过为每个用户-物品交互建模意图上的分布，我们迭代地精炼意图感知交互图与表示。同时，我们鼓励不同意图间的独立性。这带来解耦表示，有效提炼与各意图相关的信息。我们在三个基准数据集上进行了大量实验，DGCF 相比 NGCF、DisenGCN 和 MacridVAE 等多个 SOTA 模型取得显著提升。进一步分析揭示了 DGCF 在用户意图解耦与表示可解释性上的优势。我们的代码见 https://github.com/xiangwang1223/disentangled_graph_collaborative_filtering。
引用
@article{arxiv.2007.01764,
title = {Disentangled Graph Collaborative Filtering},
author = {Xiang Wang and Hongye Jin and An Zhang and Xiangnan He and Tong Xu and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2007.01764},
year = {2020}
}
备注
SIGIR 2020