面向协同过滤的图神经受控微分方程
信息检索
2025-01-24 v1
摘要
图卷积网络 (GCN) 被广泛认为是推荐系统的前沿方法。推荐系统领域的多项研究尝试将协同过滤 (CF) 应用于神经 ODE 框架。这些研究遵循与 LightGCN 相同的思想，即删除权矩阵或使用离散权矩阵。然而，我们认为权重控制对于神经 ODE 方法至关重要。权重在为每个节点创建量身定制的图卷积中的重要性至关，采用固定/离散权重意味着它无法在 ODE 函数内随时间调整。这一图卷积中的刚性在可适应性方面造成限制，进而阻碍了推荐性能。在本研究中，为创建面向神经 ODE 推荐的优化控制，我们引入一种新方法，称为图神经受控微分方程用于协同过滤 (CDE-CF)。我们的方法通过以连续方式包含权重控制，提高了图 ODE 方法的性能。为评估我们的方法，我们在多个数据集上进行了实验。结果表明，我们的方法超越了包括基于 GCN 的模型和最新图 ODE 方法在内的竞争基准。
引用
@article{arxiv.2501.13908,
title = {Graph Neural Controlled Differential Equations For Collaborative Filtering},
author = {Ke Xu and Weizhi Zhang and Zihe Song and Yuanjie Zhu and Philip S. Yu},
journal= {arXiv preprint arXiv:2501.13908},
year = {2025}
}
备注
Accepted in WWW 2025 short paper