神经因果图协同过滤
信息检索
2024-04-09 v2
摘要
图协同过滤（GCF）通过利用图学习技术来增强协同过滤（CF），在推荐系统中获得了相当多的关注。GCF中的一种经典方法是使用图卷积网络（GCN）学习用户和物品嵌入，并将这些嵌入用于CF模型。然而，现有的基于GCN的方法在为CF模型生成令人满意的嵌入方面存在不足。这是因为它们未能从给定图中建模复杂的节点依赖和可变的关联依赖，使得学习到的嵌入难以揭示用户兴趣的根本原因。在这项工作中，我们提出将因果建模与基于GCN的GCF模型的学习过程相整合，利用因果感知的图嵌入来捕捉推荐中的复杂因果关系。我们通过1）因果图概念化，2）神经因果模型参数化，以及3）神经因果模型的变分推断来完成该任务。我们的神经因果模型称为神经因果图协同过滤（NCGCF），能够为基于GCN的GCF进行因果建模，以促进准确的推荐。大量实验表明，NCGCF提供了与用户偏好一致的精确推荐。我们在 https://github.com/Chrystalii/CNGCF 发布了我们的代码和处理后的数据集。
引用
@article{arxiv.2307.04384,
title = {Neural Causal Graph Collaborative Filtering},
author = {Xiangmeng Wang and Qian Li and Dianer Yu and Wei Huang and Guandong Xu},
journal= {arXiv preprint arXiv:2307.04384},
year = {2024}
}