QAGCF: 用于问答推荐的图协同过滤
信息检索
2024-06-10 v1
摘要
问答平台通常推荐问答对以满足用户的知识获取需求，这与传统推荐只推荐一个项目不同。这使得用户行为更加复杂，并为问答推荐带来了两个挑战，包括：协同信息纠缠，即用户反馈受到问题或答案的影响；以及语义信息纠缠，即问题与其对应答案相关，并且不同问答对之间也存在相关性。传统推荐方法将问答对视为一个整体或仅将答案视为单个项目，这忽略了这两个挑战，无法有效建模用户兴趣。为了解决这些挑战，我们引入了问答图协同过滤（QAGCF），一种图神经网络模型，为协同视图和语义视图创建单独的图，以解耦问答对中的信息。协同视图解耦问题和答案以单独建模协同信息，而语义视图捕获问答对内部和之间的语义信息。这些视图进一步合并到一个全局图中，以整合协同和语义信息。使用基于多项式的图滤波器来解决全局图的高异质性。此外，利用对比学习在训练期间获得鲁棒的嵌入。在工业和公共数据集上的大量实验表明，QAGCF始终优于基线，并取得了最先进的结果。
引用
@article{arxiv.2406.04828,
title = {QAGCF: Graph Collaborative Filtering for Q&A Recommendation},
author = {Changshuo Zhang and Teng Shi and Xiao Zhang and Yanping Zheng and Ruobing Xie and Qi Liu and Jun Xu and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2406.04828},
year = {2024}
}