当箱状嵌入遇见图神经网络：面向标签感知的推荐系统
信息检索
2024-06-25 v1 人工智能
摘要
去年，LLM 丰富的标签支撑的标签感知推荐系统取得了显著进展。不幸的是，尽管付出了大量努力，当前的解决方案可能无法仅用标签驱动的配置文件来描述用户偏好中固有的多样性和不确定性。最近，随着几何嵌入技术的发展，例如箱状嵌入，用户偏好的多样性现在可以完整地建模为高维空间中箱体内的范围。然而，仍然存在缺陷，因为这些方法无法捕获高阶邻居信号，即用户-标签-物品三部图中语义丰富的多跳关系，这严重限制了用户建模的效果。为此，本文提出一种新算法，称为 BoxGNN，通过逻辑操作的组合来执行消息聚合，从而整合高阶信号。具体而言，我们首先将用户、物品和标签嵌入为表示空间中的超箱，而不是简单的点，并定义两种逻辑操作以促进后续过程。接下来，我们通过逻辑操作的组合来执行消息聚合机制，以获得相应的高阶箱表示。最后，我们采用基于体积的学习目标并采用 Gumbel 滤波技术来细化箱的表示。对两个公开数据集和一个 LLM 增强的电商数据集进行的广泛实验表明，BoxGNN 在各种最先进的基线上均表现出优越性。代码已在线上发布。
引用
@article{arxiv.2406.12020,
title = {When Box Meets Graph Neural Network in Tag-aware Recommendation},
author = {Fake Lin and Ziwei Zhao and Xi Zhu and Da Zhang and Shitian Shen and Xueying Li and Tong Xu and Suojuan Zhang and Enhong Chen},
journal= {arXiv preprint arXiv:2406.12020},
year = {2024}
}