向前推进：通过因果图卷积增强 LightGCN 以实现信用债券推荐
信息检索
2025-03-19 v1 机器学习
计算金融
摘要
图神经网络在过去几年中显著推动了推荐系统研究。这些方法通常通过聚合过去的交互来捕获全局兴趣，并依赖用户和物品在长时间内的静态嵌入。虽然在某些领域有效，但这些方法在许多现实场景中表现不足，尤其是在金融领域，用户的兴趣和物品的流行度随时间迅速演变。为应对这些挑战，我们提出了一种 Light 图卷积网络 (LightGCN) 的新型扩展，旨在学习捕获动态兴趣的时序节点嵌入。我们的方法采用因果卷积以保持前向模型架构。通过保留用户-物品交互的时间顺序并通过滑动窗口引入嵌入的动态更新机制，所提出的模型生成了时机恰当且上下文相关的推荐。在 BNP Paribas 的真实数据集上进行的广泛实验表明，我们的方法显著增强了 LightGCN 的性能，同时保持了其架构的简洁性和效率。我们的发现为设计时间敏感应用中的基于图的推荐系统提供了新见解，特别是在金融产品推荐方面。
引用
@article{arxiv.2503.14213,
title = {Rolling Forward: Enhancing LightGCN with Causal Graph Convolution for Credit Bond Recommendation},
author = {Ashraf Ghiye and Baptiste Barreau and Laurent Carlier and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2503.14213},
year = {2025}
}
备注
8 pages, published in the international conference for AI in Finance (ACM ICAIF'24)