图卷积用于推荐究竟有多强？
信息检索
2021-08-18 v1 机器学习
信号处理
摘要
图卷积网络（GCNs）近来催生了一类流行的协同过滤（CF）算法。然而，其经验成功背后的理论基础仍不明晰。本文致力于通过图信号处理的视角更好地理解基于 GCN 的 CF 方法。通过识别平滑性这一图信号处理关键概念的核心作用，我们开发了统一的基于图卷积的 CF 框架。我们证明许多现有 CF 方法都是该框架的特例，包括基于邻域的方法、低秩矩阵分解、线性自编码器和 LightGCN，它们对应于不同的低通滤波器。基于我们的框架，我们随后提出一个简单且计算高效的 CF 基线，称之为基于图滤波的协同过滤（GF-CF）。给定隐式反馈矩阵，GF-CF 可以闭式求得，而无需借助反向传播进行昂贵训练。实验将表明，在三个知名数据集上 GF-CF 取得了与基于深度学习的方法相当或更好的性能，尤其在 Amazon-book 数据集上相较 LightGCN 有 的性能提升。
引用
@article{arxiv.2108.07567,
title = {How Powerful is Graph Convolution for Recommendation?},
author = {Yifei Shen and Yongji Wu and Yao Zhang and Caihua Shan and Jun Zhang and Khaled B. Letaief and Dongsheng Li},
journal= {arXiv preprint arXiv:2108.07567},
year = {2021}
}