HS-GCN：用于推荐的汉明空间图卷积网络
信息检索
2023-01-16 v1
摘要
大规模推荐系统的一种高效解决方案是将用户和物品表示为汉明空间中的二进制哈希码。为此，现有方法倾向于通过建模用户与其历史交互物品之间的汉明相似度来编码用户，这在本文中被称为一阶相似度。尽管这些方法效率较高，但它们因放弃了通过连接多个一阶相似度所建立的相关性（即间接实例之间的关系，可定义为高阶相似度）而受限于次优的表示能力。为解决这一缺陷，我们提出通过用户-物品二分图在汉明空间中同时建模一阶和高阶相似度。因此，我们开发了一种新颖的学习哈希框架，即汉明空间图卷积网络（HS-GCN），它显式地建模汉明相似度并将其嵌入到用户和物品的编码中。在三个公开基准数据集上的大量实验表明，我们提出的模型显著优于几种最先进的哈希模型，并获得了与实值推荐模型相当的性能。
引用
@article{arxiv.2301.05430,
title = {HS-GCN: Hamming Spatial Graph Convolutional Networks for Recommendation},
author = {Han Liu and Yinwei Wei and Jianhua Yin and Liqiang Nie},
journal= {arXiv preprint arXiv:2301.05430},
year = {2023}
}