基于级联图卷积网络的多行为推荐
信息检索
2023-03-29 v1
摘要
多行为推荐通过利用辅助行为（如点击、加购）来帮助预测用户在目标行为（如购买）上的潜在交互，被视为缓解推荐中数据稀疏或冷启动问题的有效途径。在实际应用中，多行为常按特定顺序发生（如点击>加购>购买）。在行为链中，后续行为通常比前序行为表现出更强的用户偏好信号。现有多数多行为模型未能在嵌入学习中捕捉行为链中的此类依赖关系。本工作中，我们提出一种新颖的带级联图卷积网络的多行为推荐模型（称为MB-CGCN）。在MB-CGCN中，从一个行为学习到的嵌入经特征变换操作后，用作下一行为嵌入学习的输入特征。以此方式，我们的模型在嵌入学习中显式利用了行为依赖。在两个基准数据集上的实验证明了我们的模型在利用多行为数据上的有效性。在Recall@10和NDCG@10指标上，相比最佳基线分别在两个数据集上平均高出33.7%和35.9%。
引用
@article{arxiv.2303.15720,
title = {Multi-Behavior Recommendation with Cascading Graph Convolution Networks},
author = {Zhiyong Cheng and Sai Han and Fan Liu and Lei Zhu and Zan Gao and Yuxin Peng},
journal= {arXiv preprint arXiv:2303.15720},
year = {2023}
}
备注
Accepted by WWW 2023