基于Wasserstein依赖的图注意力网络用于带不确定性的协同过滤
信息检索
2024-07-02 v2 信息论
math.IT
摘要
协同过滤是推荐系统中的一项关键技术，仅通过利用用户-物品交互来提供个性化推荐。然而，大多数协同过滤方法将用户和物品表示为潜在空间中的固定点，缺乏捕捉不确定性的能力。虽然概率嵌入被提出以整合不确定性，但当引入基于图的推荐系统时，它们存在若干局限性。图卷积网络框架会混淆节点中不确定性的语义，而由Kullback-Leibler散度度量的相似性存在退化问题，并且需要指数数量的样本。为了解决这些挑战，我们提出了一种新颖的方法，称为基于Wasserstein依赖的图注意力网络，用于带不确定性的协同过滤。我们利用图注意力网络和Wasserstein距离为每个用户和物品学习高斯嵌入。此外，我们的方法结合了基于Wasserstein依赖的互信息，以进一步增加正对之间的相似性。在三个基准数据集上的实验结果表明，W-GAT相对于几个代表性基线具有优越性。大量的实验分析验证了W-GAT通过建模用户偏好范围和与物品相关的类别来捕捉不确定性的有效性。
引用
@article{arxiv.2404.05962,
title = {Wasserstein Dependent Graph Attention Network for Collaborative Filtering with Uncertainty},
author = {Haoxuan Li and Yuanxin Ouyang and Zhuang Liu and Wenge Rong and Zhang Xiong},
journal= {arXiv preprint arXiv:2404.05962},
year = {2024}
}
备注
Accepted by IEEE TCSS