用于推荐的层精炼图卷积网络
信息检索
2022-11-28 v2
摘要
利用图卷积网络（GCNs）的推荐模型已取得最先进的性能，因为它们能整合用户-物品交互图的节点信息与拓扑结构。然而，这些基于GCN的推荐模型不仅因堆叠过多层而遭受过平滑，还因用户-物品交互中存在噪声而导致性能退化。本文中，我们首先指出了当前基于GCN模型中过平滑与解崩溃的推荐困境。具体而言，这些模型通常为节点更新聚合所有层嵌入，并因过平滑在少数层内达到最佳推荐性能。反之，若我们对层嵌入施加可学习权重进行节点更新，权重空间总会塌缩至一个固定点，此时自我层的权重几乎占据全部。我们提出一种称为LayerGCN的层精炼GCN模型，在GCN的信息传播与节点更新过程中精炼层表示。此外，先前基于GCN的推荐模型不加区分地聚合来自邻居的所有传入信息，未甄别噪声节点，损害了推荐性能。我们的模型进一步按照度敏感概率而非均匀分布对用户-物品交互图的边进行剪枝。实验结果表明，所提模型在四个公开数据集上以快速训练收敛显著优于最先进模型。所提方法的实现代码见 https://github.com/enoche/ImRec。
引用
@article{arxiv.2207.11088,
title = {Layer-refined Graph Convolutional Networks for Recommendation},
author = {Xin Zhou and Donghui Lin and Yong Liu and Chunyan Miao},
journal= {arXiv preprint arXiv:2207.11088},
year = {2022}
}
备注
Accepted as a research track paper in ICDE 2023