利用侧信息增强推荐的图神经预训练方法
信息检索
2021-07-12 v2
摘要
利用与实体（即用户与物品）相关联的侧信息来增强推荐系统的性能已被广泛认为是一个重要的建模维度。尽管许多现有方法聚焦于通过结合推荐损失函数与额外的侧信息感知损失来整合实体侧信息的方案，本文转而提出一种利用侧信息的新型预训练方案。具体而言，我们首先使用实体的侧信息预训练一个表示模型，随后使用已有的通用基于表示的推荐模型对其进行微调。具体地，我们提出两种预训练模型，分别名为 GCN-P 与 COM-P，将侧信息构建出的实体及其关系视为两类不同的图，以预训练实体嵌入。对于 GCN-P 模型，分别从所有用户与物品的侧信息构建两个单关系图，通过使用图卷积网络（Graph Convolutional Networks）预训练实体表示。对于 COM-P 模型，构建两个多关系图，通过使用基于组合的图卷积网络（Composition-based Graph Convolutional Networks）预训练实体表示。在我们的预训练模型经四种通用基于表示的推荐模型（即 MF、NCF、NGCF 与 LightGCN）微调后的广泛评估表明，有效利用用户与物品的侧信息预训练嵌入可显著提升这些原始模型的效果与稳定性。
引用
@article{arxiv.2107.03936,
title = {Graph Neural Pre-training for Enhancing Recommendations using Side Information},
author = {Zaiqiao Meng and Siwei Liu and Craig Macdonald and Iadh Ounis},
journal= {arXiv preprint arXiv:2107.03936},
year = {2021}
}