反馈互惠图协同过滤

基于用户-项目交互图的协同过滤在工业推荐领域取得了成功。然而，针对用户真正着迷的物品进行推荐，协同过滤模型面临一个见方困境：一方面，不是所有用户交互的物品都 equally 有吸引力。一些物品对用户而言是真正着迷的，而另一些则不然。在没有对二者区分的情况下训练图协同过滤模型，可能导致向用户推荐不太有吸引力的物品。另一方面，忽略交互但不太有吸引力的物品，将导致对用户交互意图的表示不完整，从而导致模型的推荐能力下降。为解决这个见方困难，我们提出了Feedback Reciprocal Graph Collaborative Filtering(FRGCF)，强调推荐着迷的物品，同时削弱不太有吸引力的物品的推荐。具体而言，FRGCF首先根据用户反馈将整个交互图划分为Interacted & Fascinated(I&F)图和Interacted & Unfascinated(I&U)图。然后，FRGCF引入对I&F图和I&U图的独立协同过滤，采用反馈互惠对比学习和宏观层次反馈建模。这使I&F图推荐器能够从I&U图中学习多层次交互特征，而不会受到其误导。在四个基准数据集和一个十亿规模的工业数据集上的大量实验表明，FRGCF通过推荐更多着迷的物品和更少不太有吸引力的物品，提高了性能。此外，针对淘宝推荐系统的在线A/B测试验证了FRGCF的优越性。