用于推荐系统的图卷积嵌入
信息检索
2021-03-08 v1 人工智能
摘要
现代推荐系统(RS)通过处理可从大量用户-物品交互数据推断的若干信号来工作。待分析的主信号源于表示交互的原始矩阵。然而，我们可以通过考虑其他类型的信号(如交互上下文，例如交互的时间或日期、用户位置或与用户历史交互对应的序列数据)来提升RS性能。这些复杂的、基于上下文的交互信号具有丰富的关联结构，可用多部图表示。图卷积网络(GCNs)已成功用于具有简单用户-物品交互数据的协同过滤。本工作中，我们通过考虑N个多上下文维度推广了GCN在多部图上的使用，并提出了将其无缝集成到现代深度学习RS架构中的简便方法。更具体地，我们为N部图定义了图卷积嵌入层，该层处理用户-物品-上下文交互，并利用其关联结构构建节点嵌入。从推荐系统到药物重定位的多个数据集上的实验，通过衡量不同上下文增强任务的性能，展示了所引入GCN嵌入层的益处。
引用
@article{arxiv.2103.03587,
title = {Graph Convolutional Embeddings for Recommender Systems},
author = {Paula Gómez Duran and Alexandros Karatzoglou and Jordi Vitrià and Xin Xin and Ioannis Arapakis},
journal= {arXiv preprint arXiv:2103.03587},
year = {2021}
}
备注
10 pages, 4 figures, SIGIR July 2021