面向推荐的定位感知图变换器
信息检索
2024-12-30 v1
摘要
协同推荐 fundamentally involves learning high-quality user and item representations from interaction data. 最近，图卷积网络 (GCN) 通过利用交互图中的高阶连通性模式推动了该领域的进步，证据包括 PinSage 和 LightGCN 等领先方法。然而，一个关键限制在现有解决方案中尚未得到充分解决：捕捉长程协同过滤信号，这对于建模用户偏好至关重要。本文提出一种新的图变换器 (Graph Transformer, GT) 框架——位置感知图变换器用于推荐 (Position-aware Graph Transformer for Recommendation, PGTR)，该框架将 Transformer 块的全局建模能力与 GCN 的局部邻域特征提取能力相结合。我们的关键洞察是通过几种 purpose-designed 的位置编码，将节点位置和结构信息显式地纳入 GT 架构。随后，来自 Transformer 块的长程协同信号与来自 GCN 主干的局部邻域特征线性组合，以增强最终的推荐节点嵌入。实证研究表明，在四个真实数据集上实现了基于各种 GCN 主干的 PGTR 方法，有效且对交互稀疏性和噪声具有鲁棒性。
引用
@article{arxiv.2412.18731,
title = {Position-aware Graph Transformer for Recommendation},
author = {Jiajia Chen and Jiancan Wu and Jiawei Chen and Chongming Gao and Yong Li and Xiang Wang},
journal= {arXiv preprint arXiv:2412.18731},
year = {2024}
}