STAR-GCN：用于推荐系统的堆叠与重构图卷积网络
信息检索
2019-05-31 v1 机器学习
社会与信息网络
机器学习
摘要
我们提出一种新颖的堆叠与重构图卷积网络 (STAR-GCN) 架构，以学习节点表示从而提升推荐系统性能，尤其在冷启动场景下。STAR-GCN 采用堆叠的 GCN 编码器-解码器并结合中间监督以改善最终预测性能。与采用独热编码节点输入的图卷积矩阵补全模型不同，我们的 STAR-GCN 学习低维用户与物品潜因子作为输入，以限制模型空间复杂度。此外，我们的 STAR-GCN 可通过重构被掩码的输入节点嵌入为新节点生成节点嵌入，从根本上解决冷启动问题。进一步，我们发现训练基于 GCN 的模型用于链接预测任务时存在标签泄漏问题，并提出一种训练策略以避免该问题。在多个评分预测基准上的实证结果表明，我们的模型在五个真实数据集中四个上取得最先进性能，并在冷启动场景的评分预测上实现显著提升。代码实现见 https://github.com/jennyzhang0215/STAR-GCN。
引用
@article{arxiv.1905.13129,
title = {STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Systems},
author = {Jiani Zhang and Xingjian Shi and Shenglin Zhao and Irwin King},
journal= {arXiv preprint arXiv:1905.13129},
year = {2019}
}