面向推荐系统的图交叉相关网络

协同过滤 (CF) 模型在推荐系统中展现了显著的性能，代表用户和物品作为嵌入向量。最近，由于图神经网络对用户-物品交互图具有强大的建模能力，基于图的 CF 模型正受到日益关注。它们通过在每一次图卷积后组合图嵌入，将每个用户/物品及其子图编码为单个超向量。然而，用户-物品子图中每个跳的邻居都携带特定的语义含义。将所有子图信息编码为单个向量并通过点积推断用户-物品关系会削弱用户和物品子图之间的语义信息，从而未被充分利用。利用这一未被充分利用的潜力为改进现有推荐模型提供了思路。为此，我们提出了用于推荐的图交叉相关网络 (GCR)，作为一种通用的推荐范式，显式地考虑用户/物品子图之间的相关性。GCR 首先引入平凡图表示 (PGR) 从每个邻居跳的层次中提取信息到相应的 PGR 向量。然后，GCR 发展出交叉相关聚合 (CCA) 用于构建 PGR 向量的用户/物品子图之间的可能的交叉相关项。最后，GCR 综合地将交叉相关项用于推荐。实验结果表明，GCR 在交互预测和点击率预测任务上均优于最新的模型。