面向冷启动推荐的图神经网络修补
信息检索
2024-10-21 v1
摘要
推荐系统中的冷启动问题仍是一个关键挑战。当前解决方案通常会在辅助数据上训练混合模型，用于冷热用户/项目，可能降低后者的体验。这一缺陷限制了其在实际场景中的可行性，因为满足既有热门用户/项目的满意度至关重要。尽管图神经网络（GNN）在通过有效的协同信号建模方面在热门推荐中表现出色，但它们尚未在用户-项目图中有效地解决冷启动问题，这主要是由于冷启动用户/项目实体缺乏初始连接所致。解决这一问题需要一种在不牺牲现有用户/项目性能的前提下，专为冷启动推荐而设计的 GNN。为此，我们引入了图神经网络修补（Graph Neural Patching，GNP），一种定制的 GNN 框架，具有双重功能：GWarmer 用于建模现有热门用户/项目的协同信号，以及用于模拟和增强 GWarmer 在冷启动推荐中的性能的 Patching 网络。对三个基准数据集上的广泛实验确认了 GNP 在为热门和冷启动用户/项目推荐方面的优势。
引用
@article{arxiv.2410.14241,
title = {Graph Neural Patching for Cold-Start Recommendations},
author = {Hao Chen and Yu Yang and Yuanchen Bei and Zefan Wang and Yue Xu and Feiran Huang},
journal= {arXiv preprint arXiv:2410.14241},
year = {2024}
}
备注
13 pages, accepted by Australasian Database Conference 2024. arXiv admin note: substantial text overlap with arXiv:2209.12215