面向推荐的兴趣感知消息传递图卷积网络

图卷积网络（GCNs）在推荐中展现出巨大潜力。这归因于其通过利用来自高阶邻居的协同信号来学习良好的用户和物品嵌入的能力。与其他 GCN 模型一样，基于 GCN 的推荐模型也遭受臭名昭著的过平滑问题——当堆叠更多层时，节点嵌入变得更加相似并最终无法区分，导致性能下降。最近提出的 LightGCN 和 LR-GCN 在一定程度上缓解了这一问题，然而，我们认为它们忽视了推荐中过平滑问题的一个重要因素，即在图卷积操作中，与某用户无共同兴趣的高阶邻居用户也会参与该用户的嵌入学习。结果，多层图卷积将使兴趣相异的用户具有相似的嵌入。在本文中，我们提出了一种新颖的兴趣感知消息传递 GCN（IMP-GCN）推荐模型，该模型在子图内部执行高阶图卷积。子图由具有相似兴趣的用户及其交互过的物品组成。为形成子图，我们设计了一个无监督子图生成模块，该模块可通过同时利用用户特征和图结构来有效识别具有共同兴趣的用户。至此，我们的模型可以避免将来自高阶邻居的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明，我们的模型可通过堆叠更多层获得性能提升，并显著优于最先进的基于 GCN 的推荐模型。