基于图卷积神经网络的时间协同过滤
人工智能
2020-10-14 v1
摘要
时间协同过滤(TCF)方法旨在对推荐系统背后的非静态方面进行建模,例如用户偏好的动态变化以及围绕物品的社交趋势。最先进的TCF方法采用循环神经网络(RNN)来建模此类方面。这些方法部署基于矩阵分解(MF-based)的方法学习用户和物品的表示。近来,基于图神经网络(GNN-based)的方法在非时间协同过滤设置中相比传统基于MF的方法在提供准确推荐方面表现出更优性能。受此启发,我们提出一种新颖的TCF方法,利用GNN学习用户和物品表示,并利用RNN建模其时间动态。该方法的一个挑战在于数据稀疏性增加,这对通过GNN获得有意义的高质量表示产生负面影响。为克服此挑战,我们在每个时间步使用按时间累积的一组观测交互来训练GNN模型。在真实数据上的综合实验表明,我们的方法相对于多种最先进的时间与非时间CF模型均获得了更优性能。
引用
@article{arxiv.2010.06425,
title = {Temporal Collaborative Filtering with Graph Convolutional Neural Networks},
author = {Esther Rodrigo Bonet and Duc Minh Nguyen and Nikos Deligiannis},
journal= {arXiv preprint arXiv:2010.06425},
year = {2020}
}