用于推荐的图Transformer
信息检索
2023-06-06 v1
摘要
本文通过将生成式自监督学习与图Transformer架构相集成，提出了一种推荐系统中表示学习的新方法。我们强调了具有相关自监督 pretext 任务的高质量数据增强对于提升性能的重要性。为此，我们提出了一种新方法，通过理性感知的生成式自监督学习（SSL）自动化自监督增强过程，从而提炼出信息丰富的用户-物品交互模式。所提出的带有图Transformer的推荐模型（GFormer）提供参数化的协同理性发现以实现选择性增强，同时保持全局感知的用户-物品关系。在 GFormer 中，我们允许理性感知的 SSL 通过图Transformer中任务自适应的不变理性化来启发图协同过滤。实验结果表明，我们的 GFormer 能够持续地在不同数据集上提升相对于基线的性能。若干深入实验进一步从多个方面研究了不变理性感知增强。本工作的源代码公开于：https://github.com/HKUDS/GFormer。
引用
@article{arxiv.2306.02330,
title = {Graph Transformer for Recommendation},
author = {Chaoliu Li and Lianghao Xia and Xubin Ren and Yaowen Ye and Yong Xu and Chao Huang},
journal= {arXiv preprint arXiv:2306.02330},
year = {2023}
}
备注
Accepted by SIGIR'2023