GPatch：修补图神经网络以应对冷启动推荐
信息检索
2022-09-27 v1 机器学习
摘要
冷启动是推荐系统中一个关键且长期存在的问题。最先进的解决方案依赖于基于辅助信息为冷启动与已有用户/物品训练混合模型。此类混合模型会损害已有用户/物品的性能，这可能使这些方案无法应用于必须保障已有用户/物品体验的真实推荐系统。同时，图神经网络（GNNs）已被证明能有效进行热（非冷启动）推荐。然而，它们从未被应用于处理用户-物品二部图中的冷启动问题。这是一项具有挑战性但值得的任务，因为冷启动用户/物品没有链接。此外，设计一个合适的 GNN 来进行冷启动推荐同时保持已有用户/物品的性能并非易事。为弥补这一差距，我们提出一个定制的基于 GNN 的框架（GPatch），其包含两个独立但相关的组件。首先，设计一个高效的 GNN 架构——GWarmer，用于建模热用户/物品。其次，我们构建相关的修补网络（Patching Networks）来模拟并修补 GWarmer 以进行冷启动推荐。在基准与大规模商业数据集上的实验表明，GPatch 在为已有与冷启动用户/物品提供推荐方面均显著优越。
引用
@article{arxiv.2209.12215,
title = {GPatch: Patching Graph Neural Networks for Cold-Start Recommendations},
author = {Hao Chen and Zefan Wang and Yue Xu and Xiao Huang and Feiran Huang},
journal= {arXiv preprint arXiv:2209.12215},
year = {2022}
}