基于神经图匹配的协同过滤

用户与物品属性是重要的侧信息；它们的交互（即在样本数据中的共现）能显著提升各类推荐系统的预测精度。我们识别出两种不同类型的属性交互，内部交互与交叉交互：内部交互仅发生于用户属性之间或仅发生于物品属性之间；交叉交互发生于用户属性与物品属性之间。现有模型未区分这两类属性交互，这可能并非利用交互所承载信息的最有效方式。为克服该缺陷，我们提出一种基于神经图匹配的协同过滤模型（GMCF），其通过在图匹配结构中建模与聚合属性交互，有效捕捉两类属性交互用于推荐。在我们的模型中，两个核心推荐过程——特征学习与偏好匹配——分别通过图学习（基于内部交互）与节点匹配（基于交叉交互）显式进行。实验结果表明我们的模型优于最先进的模型。进一步研究验证了 GMCF 在提升推荐精度方面的有效性。