重访基于图的协同过滤：一种线性残差图卷积网络方法
信息检索
2020-01-29 v1 机器学习
机器学习
摘要
图卷积网络（GCNs）是通过迭代堆叠多层卷积聚合操作与非线性激活操作而实现的当前最优的基于图的表示学习模型。近来，在基于协同过滤（CF）的推荐系统（RS）中，一些研究者将用户-物品交互行为视为二部图，并利用 GCNs 对更高层的协同信号进行建模。这些基于 GCN 的推荐模型相比传统工作展现出更优的性能。然而，这些模型在针对大规模用户-物品图使用非线性激活时存在训练困难，且大多数基于 GCN 的模型由于图卷积操作带来的过平滑效应而无法建模更深的层。本文从两个方面重访基于 GCN 的 CF 模型。首先，我们通过实验表明，去除非线性操作会提升推荐性能，这与简单图卷积网络中的理论一致。其次，我们提出了一种专为具有用户-物品交互建模的 CF 设计的残差网络结构，其通过稀疏的用户-物品交互数据缓解了图卷积聚合操作中的过平滑问题。所提模型是一个线性模型，易于训练、可扩展至大规模数据集，并在两个真实数据集上取得了更好的效率与效果。我们在 https://github.com/newlei/LRGCCF 公开了源代码。
引用
@article{arxiv.2001.10167,
title = {Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach},
author = {Lei Chen and Le Wu and Richang Hong and Kun Zhang and Meng Wang},
journal= {arXiv preprint arXiv:2001.10167},
year = {2020}
}
备注
The updated version is publised in AAAI 2020