面向推荐的扁平化图卷积网络
信息检索
2022-10-17 v1 机器学习
摘要
图卷积网络（GCNs）及其变体在各种推荐任务上取得了显著性能。然而，许多现有 GCN 模型倾向于在所有相关节点间进行递归聚合，这会带来严重的计算负担，阻碍其在大规模推荐任务中的应用。为此，本文提出扁平化 GCN（FlatGCN）模型，其能够以相比现有模型显著更低的复杂度取得优越性能。我们的主要贡献有三方面。首先，我们提出一种简化但强大的 GCN 架构，其使用单个扁平化 GCN 层而非递归地聚合邻域信息。FlatGCN 中的聚合步骤是无参数的，因此可通过并行计算预计算以节省内存与计算成本。其次，我们提出一种信息化的邻域信息最大化采样方法，基于一个有原则的度量通过测量邻域节点间的相关性来选取最有价值的邻居。第三，我们提出一种层集成技术，通过在最后一层集成逐层邻域表示来提升所学表示的表达能力。在三个数据集上的大量实验验证了我们所提模型显著优于现有 GCN 模型，并在训练效率上实现高达几个数量级的加速。
引用
@article{arxiv.2210.07769,
title = {Flattened Graph Convolutional Networks For Recommendation},
author = {Yue Xu and Hao Chen and Zengde Deng and Yuanchen Bei and Feiran Huang},
journal= {arXiv preprint arXiv:2210.07769},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2006.04164