VIP内容

近年来,人们致力于提高推荐系统的准确性和相关性。多样性是衡量所推荐项目之间差异的一个关键因素,但很少受到仔细研究。与用户满意度直接相关的是,在生成候选条目后,多样化通常被考虑在内。然而,这种多样化和候选生成的解耦设计使得整个系统处于次优状态。在本文中,我们的目标是利用图卷积网络(GCN)将多元化推至上游候选生成阶段。尽管基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了巨大的能力,但在这些先进的工作中,多样性变化是如何被忽略的。我们提出在GCN的基础上执行重新平衡的邻居发现、类别增强的负采样和对抗学习。我们在真实世界的数据集上进行大量的实验。实验结果验证了本文方法的有效性。进一步的消融研究验证了我们提出的方法显著缓解了准确性-多样性的困境。

http://fi.ee.tsinghua.edu.cn/public/publications/b344fd48-92b0-11eb-96bc-0242ac120003.pdf

成为VIP会员查看完整内容
0
12
Top