利用 GNN 提升推荐系统性能并解决过平滑问题
信息检索
2024-12-05 v1 机器学习
摘要
本文聚焦于利用图神经网络（GNN）增强推荐系统的关键挑战，特别是针对网络层数加深时因过平滑（over-smoothing）导致模型效果下降的内在限制。我们提出了三种基于 GNN 的推荐模型，通过残差连接和身份映射等创新机制来缓解过平滑问题。这些修改在聚合传播过程中增强了信息跨层的流动，保留了用户-物品交互的关键细节，从而提升推荐准确性。此外，本研究强调推荐系统可解释性的重要性，旨在为动态用户偏好提供透明且合理的建议。通过将协同过滤与 GNN 架构集成，所提出的模型不仅提升了预测精度，还使推荐更贴合个体行为，适应用户兴趣的细微变化。本工作通过解决技术与用户导向的挑战，推动了鲁棒且可解释推荐系统的发展，使其能够应对现代在线环境的复杂性和规模。
引用
@article{arxiv.2412.03097,
title = {Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing},
author = {Wenyi Liu and Ziqi Zhang and Xinshi Li and Jiacheng Hu and Yuanshuai Luo and Junliang Du},
journal= {arXiv preprint arXiv:2412.03097},
year = {2024}
}