谱域面向协同过滤的各向异性扩散模型 S-Diff
信息检索
2025-01-03 v1
摘要
从用户-项目交互矩阵中恢复用户偏好是推荐系统中的关键挑战。虽然扩散模型可以从潜在分布中采样和重建偏好，但它们往往难以有效捕捉相似用户的集体偏好。此外，latent variables 在前向过程中会退化为纯高斯噪声，降低信噪比，从而降低性能。为此，我们提出 S-Diff，该方法受图基协同过滤启发，更好地利用图谱域中的低频分量。S-Diff 将用户交互向量映射到谱域，并参数化扩散噪声以与图频率对齐。这种各向异性扩散保留了大量低频分量，保持了较高的信噪比。S-Diff 进一步采用条件去噪网络对用户交互进行编码，从噪声数据中恢复真实偏好。该方法在多个数据集上取得了强劲的性能。
引用
@article{arxiv.2501.00384,
title = {S-Diff: An Anisotropic Diffusion Model for Collaborative Filtering in Spectral Domain},
author = {Rui Xia and Yanhua Cheng and Yongxiang Tang and Xiaocheng Liu and Xialong Liu and Lisong Wang and Peng Jiang},
journal= {arXiv preprint arXiv:2501.00384},
year = {2025}
}
备注
Accepted by WSDM 2025