PANE-GNN：在图神经网络中统一正负边用于推荐
信息检索
2023-06-09 v2
摘要
推荐系统通过向用户提供个性化推荐，在解决信息过载问题中发挥着关键作用。近年来，随着图表示学习的进展，利用图神经网络（GNNs）构建推荐系统受到越来越多的关注。这些基于GNN的模型主要侧重于分析用户的正向反馈，而忽视了其负向反馈所提供的宝贵洞察。本文提出PANE-GNN，一种创新的推荐模型，在图神经网络中统一正向与负向边（Positive And Negative Edges）用于推荐。通过纳入用户偏好与厌好，我们的方法增强了推荐系统提供个性化建议的能力。PANE-GNN首先基于正向与负向反馈将原始评分图划分为两个不同的二部图。随后，我们采用两种独立的嵌入，即兴趣嵌入与厌趣嵌入，分别捕捉用户的喜好与厌恶。为促进有效的信息传播，我们为正向与负向反馈设计了不同的消息传递机制。此外，我们对仅由负向反馈边构成的负向图引入失真以进行对比训练。该失真在有效去噪负向反馈中起着关键作用。实验结果有力证明，PANE-GNN在四个真实世界数据集上超越了现有的最先进基准方法，这些数据集包括三个常用推荐系统数据集与一个开源短视频推荐数据集。
引用
@article{arxiv.2306.04095,
title = {PANE-GNN: Unifying Positive and Negative Edges in Graph Neural Networks for Recommendation},
author = {Ziyang Liu and Chaokun Wang and Jingcao Xu and Cheng Wu and Kai Zheng and Yang Song and Na Mou and Kun Gai},
journal= {arXiv preprint arXiv:2306.04095},
year = {2023}
}