GLIMG：面向 Top-N 推荐系统的全局与局部物品图
信息检索
2021-08-12 v3 机器学习
摘要
基于图的推荐模型在 top-N 推荐系统中表现良好，因其能够捕捉实体间的潜在关系。然而，现有多数方法仅构建所有用户共享的单一全局物品图，遗憾地忽略了不同用户群体间多样化的偏好。受局部推荐模型成功的启发，本文首次尝试为基于图的推荐模型研究多个局部物品图以及一个全局物品图。我们认为在全局与局部图上的推荐优于仅在单一全局图或仅在多个局部图上的推荐。具体而言，我们提出一种名为 GLIMG（Global and Local IteM Graphs，全局与局部物品图）的新型基于图的推荐模型，其同时捕捉全局与局部用户偏好。通过将全局与局部图整合进一个适配的半监督学习模型，用户对物品的偏好在全局与局部被传播。在真实数据集上的大量实验结果表明，我们提出的方法在 top-N 推荐任务上持续优于最先进的同类方法。
引用
@article{arxiv.2007.14018,
title = {GLIMG: Global and Local Item Graphs for Top-N Recommender Systems},
author = {Zhuoyi Lin and Lei Feng and Rui Yin and Chi Xu and Chee-Keong Kwoh},
journal= {arXiv preprint arXiv:2007.14018},
year = {2021}
}