图滤波在推荐中的强大程度
信息检索
2024-06-14 v1
摘要
已经证明图卷积网络(GCN)在推荐中的有效性归因于谱图滤波。大多数基于GCN的方法包括一个图滤波器，或者随后进行基于监督训练优化的低秩映射。然而，我们展示了抑制图滤波能力的两个局限性：(1)缺乏通用性。由于噪声分布的变化，图滤波器无法去噪稀疏数据（噪声分散在所有频率），而监督训练在密集数据上表现更差（噪声集中在中频，可通过无训练的图滤波器去除）。(2)缺乏表达能力。我们理论上证明，在协同过滤(CF)上有效的线性GCN(LGCN)无法生成任意嵌入，意味着最优数据表示可能无法达到。为解决第一个局限性，我们展示了噪声分布与频谱锐度之间的密切关系，更锐利的频谱分布更可取，使得数据噪声无需训练即可与重要特征分离。基于此，我们提出广义图归一化G^2N来调整频谱分布的锐度，以重新分布数据噪声，确保无需训练即可通过图滤波去除。对于第二个局限性，我们提出个性化图滤波器(IGF)，适应交互反映的用户偏好的不同置信水平，证明其能够生成任意嵌入。通过简化LGCN，我们进一步提出简化图滤波(SGFCF)，仅需前K个奇异值用于推荐。最后，在四个不同密度设置的数据集上的实验证明了我们方法的有效性和效率。
引用
@article{arxiv.2406.08827,
title = {How Powerful is Graph Filtering for Recommendation},
author = {Shaowen Peng and Xin Liu and Kazunari Sugiyama and Tsunenori Mine},
journal= {arXiv preprint arXiv:2406.08827},
year = {2024}
}
备注
Accepted to KDD'24