MB-HGCN：一种用于多行为推荐的分层图卷积网络
信息检索
2023-06-21 v1
摘要
基于协同过滤的推荐系统仅依赖单一类型行为，在真实应用中常遭遇严重的稀疏性问题，导致性能不佳。多行为推荐（MBR）是一种从辅助信息中学习用户偏好（表示为向量嵌入）的方法。通过将这些偏好用于目标行为推荐，MBR解决了稀疏性问题并提升了推荐准确度。本文提出MB-HGCN，一种新颖的多行为推荐模型，利用分层图卷积网络从全局粗粒度到行为特定细粒度学习用户与物品嵌入。我们的模型从由所有行为交互构建的统一同质图中学习全局嵌入，并将其作为各行为图中行为特定嵌入学习的初始化嵌入。我们还强调用户与物品行为特定嵌入的差异性，并设计两种简洁而有效的策略分别聚合用户与物品的行为特定嵌入。最后，我们采用多任务学习进行优化。在三个真实数据集上的大量实验表明，我们的模型显著优于基线，在Tmall数据集上HR@10和NDCG@10分别取得73.93%和74.21%的相对提升。
引用
@article{arxiv.2306.10679,
title = {MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation},
author = {Mingshi Yan and Zhiyong Cheng and Jing Sun and Fuming Sun and Yuxin Peng},
journal= {arXiv preprint arXiv:2306.10679},
year = {2023}
}