多分量图卷积协同过滤
机器学习
2019-11-26 v1 信息检索
机器学习
摘要
推荐系统中用户与物品的交互可自然建模为用户-物品二部图。近年来，我们见证了探索用户-物品图用于协同过滤方法的新兴研究努力。然而，用户-物品交互的形成通常源于高度复杂的潜在购买动机，如高性价比或醒目外观，这些动机被边无差别地表示。现有方法仍未能探究各种购买动机之间的差异，导致无法捕捉细粒度用户偏好。因此，本文提出一种新颖的多分量图卷积协同过滤（Multi-Component graph convolutional Collaborative Filtering, MCCF）方法，以区分观测到的显式用户-物品交互背后的潜在购买动机。具体而言，MCCF内部包含两个精心设计的模块：分解器和组合器。前者首先分解用户-物品图中的边，以识别可能导致购买关系的潜在分量；后者随后自动重组这些潜在分量，获得用于预测的统嵌入表示。此外，采用稀疏正则化器和加权随机采样策略来缓解过拟合问题并加速优化。在三个真实数据集和一个合成数据集上的实证结果不仅显示了MCCF的显著性能提升，也很好地证明了考虑多分量的必要性。
引用
@article{arxiv.1911.10699,
title = {Multi-Component Graph Convolutional Collaborative Filtering},
author = {Xiao Wang and Ruijia Wang and Chuan Shi and Guojie Song and Qingyong Li},
journal= {arXiv preprint arXiv:1911.10699},
year = {2019}
}