微调分区感知的物品相似度以实现高效可扩展的推荐
信息检索
2023-02-13 v2 机器学习
摘要
协同过滤（CF）在推荐系统中被广泛研究，并出现了多种类型的解决方案。近期图卷积网络（GCN）在 CF 中的成功展示了通过图建模高阶关系的有效性，而重复的图卷积与迭代的批量优化限制了其效率。相比之下，物品相似度模型试图通过高效的交互编码构建直接关系。尽管其性能优异，但不断增长的物品数量导致相似度建模过程呈二次增长，带来了严重的可扩展性问题。本文中，我们研究了最新 GCN 模型采用的图采样策略以提升效率，并识别出采样图中潜在的物品群组结构。基于此，我们提出了一种新颖的物品相似度模型，引入图划分将物品相似度建模限制在各分区内部。具体而言，我们展示了原始图的谱信息能很好地保留全局级信息。随后，通过一种新的数据增强策略将其加入以微调局部物品相似度，该策略作为分区感知的先验知识，共同应对划分带来的信息损失。在 4 个数据集上的实验表明，所提模型以 10 倍加速优于最先进的 GCN 模型，并以 95% 的参数存储节省优于物品相似度模型。
引用
@article{arxiv.2207.05959,
title = {Fine-tuning Partition-aware Item Similarities for Efficient and Scalable Recommendation},
author = {Tianjun Wei and Jianghong Ma and Tommy W. S. Chow},
journal= {arXiv preprint arXiv:2207.05959},
year = {2023}
}
备注
Accepted by The 2023 ACM Web Conference (WWW 2023)