消息传递如何改进协同过滤？
信息检索
2024-10-30 v2 机器学习
摘要
协同过滤在推荐系统中已展现出显著成果，并被广泛应用于实际应用。一个研究分支通过图神经网络中使用的消息传递来增强协同过滤方法，因为其具有从图结构数据（如协同过滤中自然存在的用户-物品二分图）中提取知识的强大能力。他们假设消息传递以类似于其对一般基于图的学习任务的好处的方式帮助协同过滤方法。然而，尽管消息传递在经验上改进了协同过滤，但这一假设是否正确仍需验证。为弥补这一空白，我们从多个角度正式研究了消息传递为何有助于协同过滤，并表明先前工作的许多假设并不完全准确。通过我们精心设计的消融研究和理论分析，我们发现：(1) 消息传递主要通过前向传播中从邻居传递的额外表示来提高协同过滤性能，而不是通过模型反向传播期间对邻居表示的额外梯度更新；(2) 消息传递通常对低度节点的帮助大于高度节点。利用这些新发现，我们提出了用于协同过滤的测试时聚合方法，即TAG-CF，一种仅在推理时进行一次消息传递的测试时增强框架。TAG-CF的关键新颖之处在于它有效利用了图知识，同时规避了消息传递的大部分计算开销。此外，TAG-CF非常通用，可作为即插即用模块来增强由不同协同过滤监督信号训练得到的表示。在六个数据集上评估，TAG-CF在几乎没有额外计算开销的情况下，将无图协同过滤方法的推荐性能在冷用户上提高了高达39.2%，在所有用户上提高了31.7%。
引用
@article{arxiv.2404.08660,
title = {How Does Message Passing Improve Collaborative Filtering?},
author = {Mingxuan Ju and William Shiao and Zhichun Guo and Yanfang Ye and Yozen Liu and Neil Shah and Tong Zhao},
journal= {arXiv preprint arXiv:2404.08660},
year = {2024}
}
备注
Accepted to NeurIPS'24. Code available at: https://github.com/snap-research/Test-time-Aggregation-for-CF