利用图神经网络中的评分序数性改进矩阵补全

矩阵补全是推荐系统研究中的一个重要领域。最近的方法将评分矩阵视为用户 - 物品二部图，其中标记的边表示观测到的评分，并利用图神经网络 (GNN) 预测用户节点和物品节点之间的边。尽管这些方法有效，但它们将每种评分类型视为独立的关系类型，因此无法充分考虑评分的序数性质。在本文中，我们探索了一种在 GNN 中利用评分序数性的新方法，这在文献中尚未得到充分研究。我们引入了一种名为 ROGMC 的新方法，用于在基于 GNN 的矩阵补全中利用评分序数性 (Rating Ordinality)。该方法使用累积偏好传播，将评分序数性直接纳入 GNN 的消息传递中，从而基于评分类型的固有顺序更加强调用户的强烈偏好。这一过程辅以兴趣正则化，利用潜在的兴趣信息促进偏好学习。我们的大量实验表明，ROGMC 始终优于现有的 GNN 评分类型使用策略。我们期望我们探索利用评分序数性进行 GNN 可行性的尝试能激发该方向的进一步研究。