面向冷启动推荐的特权图蒸馏

推荐系统中的冷启动问题是一个长期存在的挑战，其需要在没有任何历史交互记录的情况下，基于属性向新用户（物品）进行推荐。在这些推荐系统中，与冷启动用户（物品）相比，暖用户（物品）拥有交互记录这一特权协同信号，并且这些协同过滤（CF）信号在推荐中表现出具有竞争力的性能。许多研究者提出学习协同信号嵌入空间与属性嵌入空间之间的相关性以改善冷启动推荐，其中用户和物品的类别属性在许多在线平台中是可获得的。然而，冷启动推荐仍受限于两个嵌入空间的建模以及对空间变换的简单假设。由于用户-物品交互行为以及用户（物品）属性自然地形成了异构图结构，本文提出一种特权图蒸馏模型（PGD）。教师模型由带有特权CF链接的暖用户和物品的异构图结构组成。学生模型由无CF链接的实体-属性图组成。具体而言，教师模型可通过从所构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可从教师嵌入中学习带有特权CF嵌入的蒸馏输出。我们提出的模型通常适用于具有新用户、新物品或新用户-新物品的不同冷启动场景。最后，在真实世界数据集上的大量实验结果清楚地表明了我们所提模型在不同类型冷启动问题上的有效性，在三个数据集上分别比最先进的基线平均提升了 $6.6\%、5.6\%$ 和 $17.1\%$。