用于上下文感知推荐系统的图卷积机
信息检索
2022-01-10 v3 机器学习
摘要
推荐系统的最新进展表明，通过在用户-物品交互图上执行图卷积，可以学习更好的用户和物品表示。然而，这一发现大多局限于协同过滤（CF）场景，其中交互上下文不可用。在这项工作中，我们将图卷积的优势扩展到上下文感知推荐系统（CARS，代表一类可处理各种辅助信息的通用模型）。我们提出了图卷积机（GCM），这是一个由编码器、图卷积（GC）层和解码器三部分组成的端到端框架。编码器将用户、物品和上下文投影为嵌入向量，这些向量被传入 GC 层，GC 层通过在用户-物品图上执行上下文感知图卷积来精炼用户和物品嵌入。解码器通过考虑用户、物品和上下文嵌入之间的交互来消化精炼后的嵌入以输出预测分数。我们在来自 Yelp 和 Amazon 的三个真实世界数据集上进行实验，验证了 GCM 的有效性以及为 CARS 执行图卷积的益处。我们的实现可在 \url{https://github.com/wujcan/GCM} 获取。
引用
@article{arxiv.2001.11402,
title = {Graph Convolution Machine for Context-aware Recommender System},
author = {Jiancan Wu and Xiangnan He and Xiang Wang and Qifan Wang and Weijian Chen and Jianxun Lian and Xing Xie},
journal= {arXiv preprint arXiv:2001.11402},
year = {2022}
}
备注
19 pages, 4 figures, 4 tables. Accepted by Frontiers of Computer Science