联合物品推荐与属性推断：一种自适应图卷积网络方法
信息检索
2020-05-26 v1 机器学习
摘要
在许多推荐系统中，用户和物品都关联有属性，并且用户对物品表现出偏好。属性信息描述了用户（物品）的特征，具有广泛的应用，如用户画像、物品标注和特征增强推荐。由于标注用户（物品）属性是一项劳动密集型任务，属性值往往不完整，存在许多缺失值。因此，物品推荐和属性推断已成为这些平台上的两个主要任务。研究人员早已认识到用户（物品）属性与偏好行为高度相关。一些研究者提出利用一种数据来辅助另一任务，并显示出性能提升。然而，这些模型要么忽略了用户（物品）属性的不完整性，要么用简单模型处理两个任务的相关性，导致这两个任务的性能次优。为此，本文在带属性的用户-物品二分图中定义这两个任务，并提出一种自适应图卷积网络（AGCN）方法用于联合物品推荐和属性推断。AGCN的关键思想是迭代执行两部分：1）利用先前学习到的近似属性值学习图嵌入参数以促进两个任务；2）将近似更新的属性值反馈回带属性图，以更好地学习图嵌入。因此，AGCN能够通过结合给定属性和估计属性值来自适应调整图嵌入学习参数，从而为优化这两个任务提供弱监督信息。在三个真实数据集上的大量实验结果清楚地表明了所提模型的有效性。
引用
@article{arxiv.2005.12021,
title = {Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach},
author = {Le Wu and Yonghui Yang and Kun Zhang and Richang Hong and Yanjie Fu and Meng Wang},
journal= {arXiv preprint arXiv:2005.12021},
year = {2020}
}
备注
Accepted by SIGIR2020