无图协同过滤
信息检索
2023-03-22 v3
摘要
图神经网络（GNNs）已在面向协同过滤（CF）任务的图结构用户-物品交互数据表示学习中展现出强大能力。然而，由于其内在地于相邻节点间递归传播消息，现有的基于 GNN 的 CF 模型可能因低通拉普拉斯平滑算子的过平滑与噪声效应而生成难以区分且不准确的用户（物品）表示。此外，整个图结构中使用堆叠聚合器的递归信息传播可能导致实际应用中的可扩展性较差。受这些局限的启发，我们提出一种简单而有效的协同过滤模型（SimRec），其结合了知识蒸馏与对比学习的优势。在 SimRec 中，教师 GNN 模型与轻量级学生网络之间实现了自适应知识迁移，不仅保留全局协同信号，还通过表示重校准解决过平滑问题。在公开数据集上的实证结果表明，与多种强基线相比，SimRec 在保持更优推荐性能的同时获得了更好的效率。我们的实现已公开于：https://github.com/HKUDS/SimRec。
引用
@article{arxiv.2303.08537,
title = {Graph-less Collaborative Filtering},
author = {Lianghao Xia and Chao Huang and Jiao Shi and Yong Xu},
journal= {arXiv preprint arXiv:2303.08537},
year = {2023}
}
备注
Accepted by ACM WWW 2023