基于图神经常微分方程方法的协同过滤
机器学习
2023-11-22 v1 信息检索
摘要
图卷积网络（GCNs）被广泛认为是协同过滤的最优方法。尽管已提出若干基于 GCN 的方法并在各类任务中取得最优性能，但若构建过多层，其训练可能计算昂贵且耗时。然而，由于线性 GCN 模型可解释为微分方程，可将其转化为 ODE 问题。这启发我们通过设计一个简单高效的基于 NODE 的模型来解决基于 GCN 模型的算力限制，该模型可跳过部分 GCN 层以抵达最终状态，从而避免创建过多层。在本工作中，我们提出一种基于图神经常微分方程的协同过滤方法（GODE-CF）。该方法利用一两层 GCN 所捕获的信息来估计最终嵌入。为验证我们的方法，我们在多个数据集上开展实验。结果表明我们的模型优于竞争性基线，包括基于 GCN 的模型与其他最优 CF 方法。值得注意的是，我们提出的 GODE-CF 模型相较传统基于 GCN 的模型具有若干优势。它简单、高效且训练快速，使其成为现实场景中的实用选择。
引用
@article{arxiv.2311.12329,
title = {Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering},
author = {Ke Xu and Yuanjie Zhu and Weizhi Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:2311.12329},
year = {2023}
}
备注
Accepted by ICDM 2023