HGCH：一种面向异质协同图推荐的双曲图卷积网络模型
信息检索
2024-12-13 v2
摘要
协同过滤与图建模任务中的用户-物品交互数据常呈现幂律特征，表明适宜采用双曲空间建模。双曲图卷积神经网络（HGCN）是一种利用GCN与双曲空间优势并取得显著成果的新技术。然而，现有HGCN方法存在若干缺陷：因任意嵌入初始化与不精确切空间聚合而未能充分利用双曲空间性质；忽视可丰富协同图的辅助信息；因间隔排序损失与随机负采样导致训练收敛缓慢。为克服这些挑战，我们提出面向异质推荐的超双曲图协同方法（HGCH）——一种基于HGCN增强的协同过滤模型，将多样侧信息整合进异质协同图并提升训练收敛速度。HGCH首先以幂律先验初始化节点嵌入以保留图的长尾特性；继而采用陀螺中点法在双曲空间精确聚合邻居；最后通过带先验的门控融合汇合来自不同双曲空间的多种嵌入。此外，HGCH采用双曲用户特定负采样以加速收敛。我们在四个真实数据集上评估HGCH，结果表明其取得具竞争力的结果并优于包括HGCN在内的领先基线。充分的消融实验进一步证实其有效性。
引用
@article{arxiv.2304.02961,
title = {HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation},
author = {Lu Zhang and Ning Wu},
journal= {arXiv preprint arXiv:2304.02961},
year = {2024}
}
备注
Proceedings of the 33rd ACM International Conference on Information and Knowledge Management (CIKM '24)