基于偏序图卷积网络的多行为协同过滤
信息检索
2024-06-21 v2
摘要
在单一图协同过滤（CF）向量中表示多种行为的信息一直是一个长期挑战。这是因为不同行为自然形成独立的行为图，并学习独立的CF嵌入。现有模型通过将某些行为的CF嵌入指定为主嵌入，并利用其他辅助行为增强主嵌入来合并独立的嵌入。然而，这种方法通常导致联合嵌入在主任务上表现良好，但在辅助任务上表现不佳。为了解决独立行为图带来的问题，我们提出了偏序推荐图（POG）的概念。POG定义了多种行为的偏序关系，并将行为组合建模为加权边，从而将独立的行为图合并为联合POG。理论证明验证了POG可以推广到任意给定的多行为集合。基于POG，我们提出了定制的偏序图卷积网络（POGCN），它在卷积邻居信息的同时考虑用户与物品之间的行为关系。POGCN还引入了一种偏序BPR采样策略，用于高效且有效的多行为CF训练。POGCN已在阿里巴巴首页成功部署两个月，为超过十亿用户提供推荐服务。在三个公开基准数据集上进行的大量离线实验表明，POGCN在所有类型行为上均优于最先进的多行为基线。此外，在线A/B测试证实了POGCN在十亿级推荐系统中的优越性。
引用
@article{arxiv.2402.07659,
title = {Multi-Behavior Collaborative Filtering with Partial Order Graph Convolutional Networks},
author = {Yijie Zhang and Yuanchen Bei and Hao Chen and Qijie Shen and Zheng Yuan and Huan Gong and Senzhang Wang and Feiran Huang and Xiao Huang},
journal= {arXiv preprint arXiv:2402.07659},
year = {2024}
}
备注
Accepted by KDD2024