GCNSLIM：结合图卷积网络与稀疏线性方法的电子政务服务推荐模型
信息检索
2023-05-16 v1
摘要
图卷积网络在协同过滤推荐中取得了显著进展。然而，现有基于GCN的CF方法主要基于矩阵分解，并引入一些优化技术以提升性能，不足以应对多样真实推荐场景的复杂性。电子政务服务推荐是推荐研究的关键领域，涉及民众生活的刚性方面。但相较于新闻与音乐推荐等其他推荐场景，它未受到充分关注。我们通过实证发现，当现有基于GCN的CF方法直接应用于电子政务服务推荐时，受限于MF框架且表现不佳。这是因为MF对用户与物品的同等对待不适用于用户与物品数量不平衡的场景。本工作中，我们提出新模型GCNSLIM，其结合GCN与稀疏线性方法而非GCN与MF，以适应电子政务服务推荐。具体而言，GCNSLIM将多层轻量图卷积获得的高阶协同信号显式注入SLIM框架中的物品相似度矩阵，有效提升推荐精度。此外，我们提出两项优化措施——移除第0层嵌入与添加非线性激活——以进一步适应电子政务服务推荐场景特征。我们进而提出联合优化模式以适应更多样推荐场景。我们在真实电子政务服务数据集与常用公开数据集上开展广泛实验，证明了GCNSLIM在推荐精度与运行性能上的有效性。
引用
@article{arxiv.2305.08586,
title = {GCNSLIM: Graph Convolutional Network with Sparse Linear Methods for E-government Service Recommendation},
author = {Lingyuan Kong and Hao Ding and Guangwei Hu},
journal= {arXiv preprint arXiv:2305.08586},
year = {2023}
}