INMO：一种模型无关且可扩展的归纳式协同过滤模块
信息检索
2022-04-27 v2
摘要
协同过滤是推荐系统中最常见的场景和热门研究课题之一。在现有方法中，隐因子模型（即通过重构观测交互矩阵为每个用户/物品学习特定嵌入）已展现出优异性能。然而，此类用户特定和物品特定的嵌入本质上是直推式的，难以处理训练时未出现的新用户和新物品。此外，模型参数数量严重依赖于所有用户和物品的数量，限制了其在现实应用中的可扩展性。为解决上述挑战，本文提出一种新颖的模型无关且可扩展的协同过滤归纳式嵌入模块，即 INMO。INMO 通过刻画用户（物品）与一些模板物品（模板用户）的交互来生成归纳式嵌入，而非使用嵌入查找表。在理论分析下，我们进一步提出了一种用于选择模板用户/物品的有效指标。我们提出的 INMO 可作为前置模块附加到现有隐因子模型上，继承骨干模型的表达能力，同时带来归纳能力并减少模型参数。我们将 INMO 附加到矩阵分解（MF）和 LightGCN（两种代表性的协同过滤隐因子模型）上验证其通用性。在三个公开基准上的大量实验证明了 INMO 在直推式和归纳式推荐场景中的有效性与高效性。
引用
@article{arxiv.2107.05247,
title = {INMO: A Model-Agnostic and Scalable Module for Inductive Collaborative Filtering},
author = {Yunfan Wu and Qi Cao and Huawei Shen and Shuchang Tao and Xueqi Cheng},
journal= {arXiv preprint arXiv:2107.05247},
year = {2022}
}
备注
Accepted by SIGIR 2022