用于推荐的图趋势滤波网络
信息检索
2022-04-26 v2 人工智能
机器学习
社会与信息网络
摘要
推荐系统旨在为用户提供个性化服务,并在我们的日常生活中发挥着越来越重要的作用。推荐系统的关键是基于用户的历史在线行为(例如点击、加购、购买等)预测用户与物品交互的可能性。为利用这些用户-物品交互,越来越多的研究将用户-物品交互视为用户-物品二部图,然后通过图神经网络(GNNs)在图中进行信息传播。鉴于 GNNs 在图表示学习上的能力,这些基于 GNNs 的推荐方法显著提升了推荐性能。尽管取得了成功,大多数现有的基于 GNNs 的推荐系统忽视了由不可靠行为(例如随机/诱饵点击)引起的交互的存在,并统一对待所有交互,这可能导致次优且不稳定的性能。在本文中,我们研究了现有基于 GNN 的推荐方法的缺陷(例如非自适应传播与非鲁棒性)。为解决这些缺陷,我们引入了一种原则性的图趋势协同过滤方法,并提出了用于推荐的图趋势滤波网络(GTN),其能够捕获交互的自适应可靠性。我们给出了全面的实验与消融研究,以验证并理解所提框架的有效性。我们基于 PyTorch 的实现可于 https://github.com/wenqifan03/GTN-SIGIR2022 获取。
引用
@article{arxiv.2108.05552,
title = {Graph Trend Filtering Networks for Recommendations},
author = {Wenqi Fan and Xiaorui Liu and Wei Jin and Xiangyu Zhao and Jiliang Tang and Qing Li},
journal= {arXiv preprint arXiv:2108.05552},
year = {2022}
}
备注
Appear in 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2022)