探索面向图协同过滤的意图的个体性与集体性

意图建模在推荐系统中引起了广泛关注。作为用户选择物品的核心动机，意图对于阐明推荐结果至关重要。当前主流的建模方法将意图抽象为不可知但可学习的共享或非共享参数。尽管取得了显著进展，我们认为仍面临以下挑战：首先，这些方法仅捕捉意图的粗粒度方面，忽略了用户-物品交互将受到集体因素和个体因素的影响（例如，用户可能因电影票房高而选择该电影，也可能因其独特偏好而选择）；其次，建模可信的意图受到隐式反馈的严重制约，这些反馈极度稀疏且缺乏真实语义。为解决这些挑战，我们提出了一种新的推荐框架，称为双边意图引导图协同过滤（Bilateral Intent-guided Graph Collaborative Filtering, BIGCF）。具体而言，我们从因果角度更深入地审视用户-物品交互，提出了“个体意图”——表示私人偏好——和“集体意图”——表示整体意识的概念。为抵消隐式反馈的稀疏性，通过高斯基于图生成策略对用户和物品的特征分布进行编码，并通过双边意图引导图重建重抽样实现推荐过程。最后，我们为交互空间和意图空间提出图对比正则化，以在自监督且无需数据增强的范式下统一化用户、物品、意图和交互。三个真实数据集上的实验结果表明，BIGCF 在与现有方法之间具有有效性。