基于图的对齐与均匀性方法用于推荐系统
信息检索
2023-08-21 v1 人工智能
机器学习
摘要
基于协同过滤的推荐系统(RecSys)依赖于为用户和物品学习表示以准确预测偏好。超球面上的表示学习因其理想特性(如对齐(alignment)与均匀性(uniformity))而是一种有前景的方法。然而,当应用于推荐系统时会出现稀疏性问题。为解决该问题,我们提出一种新方法——基于图的对齐与均匀性(GraphAU),其显式考虑用户-物品二部图中的高阶连通性。GraphAU 使用邻域聚合器将用户/物品嵌入对齐到高阶邻居的稠密向量表示,从而避免单独计算到高阶邻域的繁重对齐。为解决对齐损失之间的差异,GraphAU 包含一个逐层对齐池化模块以逐层整合对齐损失。在四个数据集上的实验表明,GraphAU 显著缓解稀疏性问题并达到最先进的性能。我们在 https://github.com/YangLiangwei/GraphAU 开源 GraphAU。
引用
@article{arxiv.2308.09292,
title = {Graph-based Alignment and Uniformity for Recommendation},
author = {Liangwei Yang and Zhiwei Liu and Chen Wang and Mingdai Yang and Xiaolong Liu and Jing Ma and Philip S. Yu},
journal= {arXiv preprint arXiv:2308.09292},
year = {2023}
}
备注
4 pages