面向推荐系统的自监督超图Transformer
信息检索
2022-08-01 v1 人工智能
摘要
图神经网络（GNN）已被证明是通过对用户-物品交互图建模来实现协同过滤（CF）的有前景的方案。现有基于GNN的推荐系统的核心思想是沿着用户-物品交互边递归地执行消息传递，以精炼编码后的嵌入。然而，尽管它们有效，当前大多数推荐模型依赖于充足且高质量的训练数据，使得学习到的表示能够很好地捕捉准确的用户偏好。许多实际推荐场景中的用户行为数据往往含有噪声并呈现长尾分布，这可能导致基于GNN的模型表示性能欠佳。本文提出SHT，一种新颖的自监督超图Transformer框架（SHT），其通过显式探索全局协同关系来增强用户表示。具体而言，我们首先赋能图神经CF范式，利用超图Transformer网络维持用户与物品之间的全局协同效应。借助提炼出的全局上下文，提出一个跨视图生成式自监督学习组件，用于用户-物品交互图上的数据增强，从而提升推荐系统的鲁棒性。大量实验表明，SHT能显著优于各类最先进的基线方法。进一步的消融研究展示了我们的SHT推荐框架在缓解数据稀疏与噪声问题上的优越表示能力。源代码与评估数据集见：https://github.com/akaxlh/SHT。
引用
@article{arxiv.2207.14338,
title = {Self-Supervised Hypergraph Transformer for Recommender Systems},
author = {Lianghao Xia and Chao Huang and Chuxu Zhang},
journal= {arXiv preprint arXiv:2207.14338},
year = {2022}
}
备注
This paper has been published as a full paper at the KDD research track 2022