基于变分推断的神经图协同过滤
信息检索
2023-12-05 v2 人工智能
摘要
在电子商务、音乐和购物等广泛应用中，向用户定制推荐内容对提升用户体验至关重要。基于图的方法通过捕获用户-物品交互取得了可观的性能。然而，这些方法倾向于利用数据集中随机构建的嵌入来训练推荐器，其缺乏任何用户偏好。在此，我们提出变分嵌入的概念，作为预训练推荐系统以改进图卷积网络（GCNs）各层特征传播的手段。我们引入图变分嵌入协同过滤（GVECF）这一新框架，将经由变分图自编码器学习到的表示嵌入基于GCN的协同过滤中。该方法有效地将潜在的高阶用户-物品交互转化为更具可训练性的向量，最终在召回率（recall）和归一化折损累计增益（NDCG）指标上取得更优性能。在基准数据集上的实验表明，我们提出的方法在测试数据上的召回率提升了高达13.78%。
引用
@article{arxiv.2311.11824,
title = {Neural Graph Collaborative Filtering Using Variational Inference},
author = {Narges Sadat Fazeli Dehkordi and Hadi Zare and Parham Moradi and Mahdi Jalili},
journal= {arXiv preprint arXiv:2311.11824},
year = {2023}
}
备注
Submitted for PAKDD2024 conference,12 pages