基于四元数的图卷积网络用于推荐

图卷积网络（GCN）因其在用户和物品嵌入上的表示学习能力而被广泛应用于推荐系统。然而，GCN容易受到噪声和不完整图的影响，这在现实世界中很常见，由于其递归消息传播机制。文献中，一些工作提出在消息传播过程中移除特征变换，但使其无法有效捕获图结构特征。此外，它们在欧几里得空间中对用户和物品建模，这已被证明在建模复杂图时具有高失真，进一步降低了捕获图结构特征的能力，导致次优性能。为此，本文提出一种简单而有效的基于四元数的图卷积网络（QGCN）推荐模型。在所提出的模型中，我们利用超复数四元数空间学习用户和物品表示以及特征变换，以提高性能和鲁棒性。具体来说，我们首先将所有用户和物品嵌入到四元数空间。然后，我们引入带有四元数特征变换的四元数嵌入传播层来执行消息传播。最后，我们结合每层生成的嵌入与平均池化策略，获得最终嵌入用于推荐。在三个公开基准数据集上的大量实验表明，我们提出的QGCN模型大幅优于基线方法。